In questa tesi, si affronterà il problema della manutenzione predittiva attraverso un approccio Data-Driven di ottimizzazione matematica. Si cercherà, quindi, di prevedere quali componenti di un sistema aggiustare, al fine di prevenire l’arresto del suo funzionamento a causa della rottura di uno di essi. A tal fine, la selezione del set di componenti che è meglio manutenere in maniera preventiva è demandata ad un modello matematico, opportunatamente formulato e successivamente implementato in JAVA. Il modello riceve in input diversi dati e le probabilità di rottura ottenute applicando tecniche di data mining sui dati storici. L’obiettivo è quindi quello di selezionare il set di componenti da manutenere preventivamente, al fine di massimizzare l’affidabilità del sistema (misurata mediante la probabilità di rottura), considerando alcuni vincoli che sono problem specific. In particolare, la fase di validazione del modello e di testing è stata effettuata su un dataset per la manutenzione dei dischi, per cui sono noti i fallimenti avvenuti nel passato. Da questi dati, mediante la formulazione e l’esecuzione di alcune query, si è calcolata la probabilità di rottura dei diversi dischi, considerando la frequenza dei fallimenti giornalieri. Infine, sempre su questo caso di studio, è stata effettuata un’analisi di sensitività, per studiare la sensibilità del modello al variare di alcuni dati ritenuti più significativi come, ad esempio, le ore di lavoro degli addetti alla manutenzione. L’analisi è stata effettuata aumentando anche il numero di dischi, di operai adibiti alla manutenzione, i valori di costo del lavoro in termini monetari e orari oltre che la probabilità di rottura dei dischi.

Un approccio data driven basato sulla programmazione matematica per la manutenzione predittiva

MARIOTTI, SARA
2019/2020

Abstract

In questa tesi, si affronterà il problema della manutenzione predittiva attraverso un approccio Data-Driven di ottimizzazione matematica. Si cercherà, quindi, di prevedere quali componenti di un sistema aggiustare, al fine di prevenire l’arresto del suo funzionamento a causa della rottura di uno di essi. A tal fine, la selezione del set di componenti che è meglio manutenere in maniera preventiva è demandata ad un modello matematico, opportunatamente formulato e successivamente implementato in JAVA. Il modello riceve in input diversi dati e le probabilità di rottura ottenute applicando tecniche di data mining sui dati storici. L’obiettivo è quindi quello di selezionare il set di componenti da manutenere preventivamente, al fine di massimizzare l’affidabilità del sistema (misurata mediante la probabilità di rottura), considerando alcuni vincoli che sono problem specific. In particolare, la fase di validazione del modello e di testing è stata effettuata su un dataset per la manutenzione dei dischi, per cui sono noti i fallimenti avvenuti nel passato. Da questi dati, mediante la formulazione e l’esecuzione di alcune query, si è calcolata la probabilità di rottura dei diversi dischi, considerando la frequenza dei fallimenti giornalieri. Infine, sempre su questo caso di studio, è stata effettuata un’analisi di sensitività, per studiare la sensibilità del modello al variare di alcuni dati ritenuti più significativi come, ad esempio, le ore di lavoro degli addetti alla manutenzione. L’analisi è stata effettuata aumentando anche il numero di dischi, di operai adibiti alla manutenzione, i valori di costo del lavoro in termini monetari e orari oltre che la probabilità di rottura dei dischi.
2019
2020-07-15
A data driven mathematical programming based approach for the predictive maintenance
File in questo prodotto:
File Dimensione Formato  
Tesi Sara.pdf

Open Access dal 15/07/2023

Descrizione: tesi di laurea triennale in pdf/a
Dimensione 856.47 kB
Formato Adobe PDF
856.47 kB Adobe PDF Visualizza/Apri

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/20.500.12075/3390