Manutenzione predittiva nell’Industria 5.0: confronto tra approcci basati su Machine Learning e statistica con dati sintetici

Al giorno d’oggi si assiste a un interesse crescente verso l’Industria 5.0, un nuovo paradigma che mira a superare l’approccio puramente tecnologico e automatizzato dell’Industria 4.0, ponendo un’enfasi maggiore sulla centralità dell’uomo, sulla sostenibilità ambientale e sulla resilienza. In questo contesto, la manutenzione predittiva assume un ruolo strategico per le aziende, poiché consente di prevenire efficacemente i guasti delle apparecchiature e di minimizzare, al contempo, i costi operativi. Questa tesi si inserisce pienamente in tale ambito, con l’obiettivo di presentare e confrontare due approcci prognostici per la previsione dei guasti, il primo basato su tecniche di classificazione e di previsione delle serie temporali, e il secondo sui modelli di similarità. Entrambi i metodi sono stati identificati, implementati e valutati, utilizzando sia un dataset di prova che uno generato da un simulatore di macchinari industriali, nell’ambito di un tirocinio svolto presso Centro Software, un’azienda che mira a integrare la manutenzione predittiva nei propri prodotti software. I risultati ottenuti hanno evidenziato delle prestazioni insoddisfacenti per il primo approccio, ma altamente promettenti per il secondo. Nonostante questa discordanza, entrambi i metodi hanno mostrato delle buone potenzialità e degli ampi margini di miglioramento. Il lavoro si conclude con un’analisi critica dei punti di forza e delle aree di miglioramento dei due approcci, con l’auspicio che contribuisca sia alla realizzazione degli obiettivi aziendali che alla ricerca scientifica.