Un modello Stacking di apprendimento automatico per la gestione della qualità (OQM) e la previsione dei difetti nell'Industria 4.0

Nel contesto dell’Industria 4.0, l’Operations Quality Management (OQM) sta attraversando una profonda trasformazione grazie all’adozione di tecniche di Data Analytics e Machine Learning (ML), strumenti ormai indispensabili per evolvere da un controllo qualità reattivo a un monitoraggio predittivo e proattivo. La presente tesi si pone l’obiettivo di analizzare criticamente l’impiego di tali tecnologie, sviluppando una soluzione algoritmica avanzata in grado di superare le sfide intrinseche dei dati di produzione. Il lavoro di ricerca è strutturato in tre fasi principali. Inizialmente, a valle di un inquadramento teorico sull’OQM data-driven, è stata condotta un’approfondita Analisi Esplorativa (EDA) e di Feature Engineering su un dataset manifatturiero open source. Questa fase ha consentito di identificare i principali driver operativi della difettosità e di ingegnerizzare nuovi KPI aziendali. Successivamente, la ricerca si è concentrata sulla replica sperimentale e sull’analisi critica di quattro studi di riferimento presenti in letteratura. Tale passaggio è stato cruciale non solo per stabilire una baseline prestazionale oggettiva, ma anche per far emergere e superare specifiche criticità metodologiche degli approcci esistenti, quali il rischio di Data Leakage o la perdita di informazioni derivante da tecniche di undersampling. Per superare i limiti individuati, nella terza fase è stata progettata, sviluppata e testata un’architettura predittiva innovativa basata su uno Stacking Ensemble Eterogeneo che combina la robustezza del Random Forest, la precisione dell’XGBoost e l’approssimazione non lineare di una Rete Neurale (Multi-Layer Perceptron), orchestrati da un Meta-Learner logistico. Per garantire l’assoluta validità statistica, l’intera pipeline è stata incapsulata in una Nested Cross-Validation che integra la tecnica di sovracampionamento SMOTE per la gestione del Reverse Imbalance. L’architettura è stata infine potenziata da un algoritmo di Threshold Tuning dinamico, calcolato massimizzando il Matthews Correlation Coefficient (MCC) esclusivamente sul set di addestramento. I risultati sperimentali confermano l’efficacia superiore dell’approccio proposto, distanziandosi dal paradosso dell’Accuratezza, pertanto il sistema ha registrato metriche al di sopra degli standard esistenti. Il confronto con lo Stato dell’Arte certifica che l’integrazione di validazioni rigorose e strategie cost-sensitive permette di ottenere un modello altamente affidabile, in grado di soddisfare i severi requisiti qualitativi dello Zero-Defect Manufacturing.