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.

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

CEKERRI, REGY
2023/2024

Abstract

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.
2023
2024-10-24
Predictive maintenance in Industry 5.0: a comparative study of Machine Learning and statistical approaches using synthetic data
File in questo prodotto:
File Dimensione Formato  
Tesi_Magistrale_Regy_Cekerri.pdf

non disponibili

Dimensione 11.3 MB
Formato Adobe PDF
11.3 MB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/19216