Tecniche di analisi di dati a supporto della manutenzione predittiva. Caso di studio: Tensionamento della cinghia di un robot industriale = Data analysis techniques to support predictive maintenance. Case study: Belt tensioning of an industrial robot

Negli ultimi dieci anni la tecnologia ha fatto enormi passi avanti in molteplici ambiti, dalla robotica, alle telecomunicazioni, all’informatica. Questa incredibile accelerazione in svariati campi ha portato alla creazione di interi nuovi mercati, aggiunto valore a quelli esistenti e sviluppato modelli di business fino ad ora sconosciuti. Questo repentino sviluppo è stato fondamentale per entrare in un periodo che viene universalmente considerato come la quarta rivoluzione industriale o rivoluzione digitale, questa è rappresentata dall’introduzione di tecnologie digitali in settori prettamente manifatturieri, come la automotive, l’aereospaziale ed il metalmeccanico. Si è potuti arrivare ad una tale rivoluzione grazie a diverse tecnologie abilitanti, che sono a loro volta variegate, come il cloud computing o i Big Data Analytics, e si inseriscono nei vari contesti produttivi in maniera unica a seconda dell’applicazione desiderata. In particolare, questa tesi vuole comprendere il ruolo dell’analisi di dati e della machine learning in contesti industriali classici come quello metalmeccanico e più nello specifico nella manutenzione predittiva di parti meccaniche di robot. Grazie alla collaborazione con Comau S.p.a. è stato possibile analizzare il comportamento di una cinghia di trasmissione di uno dei loro bracci robotici, analisi finalizzata a predire quando è necessario un intervento di manutenzione. Quindi, l’elaborato s’inserisce nel filone di applicazione di una tecnologia digitale all’ambito industriale, tipico dell’Industria 4.0. In questo elaborato vengono quindi sviluppati due filoni di analisi diversi per lo studio della manutenzione predittiva, utilizzando come classificatori per tutte le analisi il Decision Tree ed il K-Nearest Neighbor: Il modello generale è la prima parte delle analisi ed esplora le possibili porzioni di dataset necessarie per addestrare un modello che abbia valori di richiamo e precisione sufficientemente buoni perché il modello sia valido; in pratica cerca il numero minimo di dati necessari per creare un modello e vengono trovate con successo basse percentuali di dati necessari, fino al 10%, a fronte di alcuni accorgimenti nel campionamento o nel dataset iniziale, in particolare con l’utilizzo del classificatore k-nn. Il secondo step delle analisi invece, si occupa dello sviluppo di un modello evolutivo che si prefigge come obbiettivo quello di creare per l’appunto un modello in grado di individuare un degrado delle prestazioni della macchina, dividendo il dataset iniziale in classi per l’addestramento del modello e gruppi di test. Questo è stato fatto tramite lo studio delle variazioni della silhouette delle classi di training all’avanzare del tempo, cioè alla progressiva integrazione di nuovi dati nel dataset iniziale provenienti dai gruppi non utilizzati nella creazione del classificatore. Anche in questo caso si ottengono risultati soddisfacenti, in particolare utilizzando il classificatore Decision Tree.