Manutenzione predittiva nell'ambito industriale 4.0

In Industry 4.0, vehicles and industrial machines are equipped with electronics and sensors capable of recording data useful for developing predictive maintenance models. The purpose of this thesis is to create a predictive maintenance model for the company ALMEC S.p.A., to be integrated into its monitoring platform, which is currently being updated. Over the past few months, data from various work machines have been collected on the platform, but no faults have been recorded. Due to the absence of this information, it is not possible to use the collected data to develop a model with predictive capabilities. For this reason, a study was conducted on architectures that represent the state of the art in this field, which were then tested using publicly available datasets suitable for this type of task. The performance of the various models obtained was then compared to identify the best architecture, while awaiting the company to gather more information on the status of the monitored machines and use it to develop a predictive model with the identified architecture.

Nell'Industria 4.0 i veicoli e le macchine industriali sono dotate di elettronica e sensoristica in grado di registrare dati utili per sviluppare modelli di manutenzione predittiva. Lo scopo di questa tesi è quello di andare a realizzare per l'azienda ALMEC S.p.A. un modello di manutenzione predittiva da integrare nella propria piattaforma di monitoraggio, al momento in fase di aggiornamento. Nella piattaforma sono stati collezionati, negli ultimi mesi, dati provenienti da diverse macchine da lavoro di cui però non si è registrato alcun tipo di guasto. A causa della mancanza di questa informazione non è possibile utilizzare i dati raccolti per realizzare un modello con capacità di previsione. Per questo motivo si è svolto uno studio sulle architetture che rappresentano lo stato dell'arte in questo ambito, le quali sono state poi testate utilizzando dataset pubblici adatti per questo tipo di task. Si sono quindi confrontate le performance dei vari modelli ottenuti per identificare l'architettura migliore, in attesa che l'azienda raccolga più informazioni sullo stato delle macchine monitorate e le utilizzi per realizzare un modello predittivo con l'architettura individuata.