Sviluppo di modelli predittivi per l'industria del composito

Il presente lavoro di tesi si incentra sull’analisi dei documenti di produzione nell’ambito della fabbricazione di manufatti in materiale composito fibrorinforzato. L’obiettivo del lavoro è la stima del lead time del processo per la realizzazione dei prototipi, attività estremamente critica per il rispetto delle deadline concordate con il cliente. L’approccio utilizzato nelle analisi si basa su varie tecniche di classificazione e regressione basate machine learning e deep learning, quali, ad esempio, i Decision Tree, le reti neurali Long Short-Term Memory (LSTM) e le architetture ibride Fully Connected-LSTM. Per quanto riguarda la classificazione, l’accuratezza migliore, pari al 57.95 % è raggiunta dal modello Fully Connected-LSTM. Nel caso della regressione, invece, il modello migliore, basato sempre su rete Fully Connected-LSTM presenta un RMSE pari a 0.761 Il raggiungimento di performance di classificazione e regressione non eccezionalmente elevate ha fornito lo spunto per un’analisi dei fattori potenzialmente limitanti per la modellazione statistica del processo, che sono risultati essere: la mancanza di un processo effettivamente standard, la raccolta di un numero insufficiente di feature e la presenza di moli di dati troppo esigue. Tale analisi si è tradotta, a livello aziendale, in un’estensione delle feature raccolte e in una modifica del processo di redazione, che potranno rendere più accurate le analisi future.