Sviluppo di un sistema di Anomaly Detection per controlli di qualità delle macchine per il taglio laser 2D

L’Anomaly Detection, anche detto Outlier Detection, è definito come il processo di identificazione di osservazioni, eventi o pattern insoliti all’interno di un insieme di dati. Il rilevamento automatico delle anomalie è un ramo del Machine Learning ricercato con particolare interesse in quanto può essere utilizzato in una vasta gamma di settori, tra cui la sicurezza informatica, il settore finanziario ed il campo medico. Queste tecniche trovano numerose applicazioni anche nell’ambito industriale dove gli avanzamenti tecnologici hanno portato alla raccolta di grandi volumi di dati che possono essere utilizzati per migliorare la qualità, la sicurezza e la manutenzione dei processi produttivi. L’obiettivo di questa tesi è quello di applicare le tecniche di Anomaly Detection per automatizzare il processo di controllo della qualità delle macchine per il taglio laser 2D prodotte da Prima Power, Business Unit del gruppo multinazionale Prima Industrie. Partendo da un’introduzione al contesto del progetto e da una presentazione della piattaforma web sviluppata per la gestione dei dati verrà poi descritto il processo di sviluppo del sistema di rilevamento delle anomalie e le principali sfide che si sono dovute affrontare. Sarà posposto l’utilizzo di tecniche di simulazione di nuovi esempi, basate sulla conoscenza di esperti del dominio, al fine di porre rimedio alla disponibilità limitata dei dati e come possibile soluzione alla difficoltà di valutazione delle performance delle tecniche di Anomaly Detection. Per risolvere il task di Anomaly Detection saranno proposti tre diversi approcci che prevedono rispettivamente l’utilizzo di modelli non supervisionati di Outlier Detection, di modelli supervisionati di regressione e di soluzioni ad-hoc. Verrà infine effettuato il confronto tra questi tre metodi, discutendo i vantaggi, gli svantaggi ed i possibili miglioramenti di ciascuno degli approcci.