Progettazione e sviluppo di una metodologia automatica per l'analisi di serie temporali in un contesto di Industria 4.0. = Design and development of an automatic tool for time series analysis in a contest of Industry 4.0.

L’Industria è entrata in una nuova era, definita 4.0. Il termine ’Industria 4.0’ indica una tendenza dell'automazione industriale che integra nuove tecnologie produttive con l'obiettivo di migliorare le condizioni di lavoro, creare nuovi modelli di business e aumentare la produttività e la qualità produttiva degli impianti. Le nuove tecnologie permettono la raccolta e l'analisi dei dati da cui trarre informazioni utili basate principalmente su misure. I dati rappresentano oggi il principale patrimonio informativo e imprenditoriale, in quanto su di essi si basa la possibilità di prendere decisioni e di migliorare il processo di gestione strategica dell'economia che caratterizza l'attività quotidiana di ogni azienda. Monitoraggio, configurazione, acquisizione di dati e controllo sono di assoluta importanza all’interno delle industrie. Oggi è preferibile l'utilizzo dei time series DB, cioè database ottimizzati per le serie temporali: possiamo dire che questi tipi di dati rappresentano collettivamente il modo in cui un sistema o un processo cambiano nel tempo. Una serie temporale consente di rappresentare l'evoluzione nel tempo di una misurazione effettuata da uno specifico sensore. Questa caratteristica le rende particolarmente potenti, perché permette di tracciare il cambiamento di un sistema, di monitorare l'andamento nel presente e arrivare anche a predire i cambiamenti nel futuro. L'obiettivo della tesi è fornire all'utente una metodologia di analisi automatica di un dataset contenente serie temporali. All'interno del framework realizzato vengono utilizzati due approcci: features-extraction based e row-data based. Il primo metodo consiste nel suddividere la serie temporale in blocchi e per ognuna di queste divisioni vengono successivamente calcolate delle features, definite Smart Data. Il dataset originale viene così trasformato in un nuovo dataset contente informazioni più maneggevoli e l'eliminazione del legame con il tempo permette l'applicazione degli algoritmi classici per l'analisi dei dati. Il secondo metodo invece sfrutta un algoritmo allo stato dell’arte per l'analisi di serie temporali, il BOSS (Bag-of-SFA-Symbols), con il quale si ottiene la matrice delle distanze di ogni serie temporale dalle altre presenti nel dataset in esame. Questa matrice indica il grado di somiglianza tra le diverse time-series. Applicando degli algoritmi di clustering in entrambe le metodologie proposte e calcolando appositi indici relativi alla bontà del clustering ottenuto è possibile effettuare un confronto per capire quale metodologia ha fornito un risultato migliore nel caso proposto.