Open Set Recognition inspired Predictive Maintenance

Nel contesto della Manutenzione Predittiva, architetture, sistemi e modelli vengono sviluppati per monitorare i processi industriali e individuare i guasti prima che si manifestino, suggerendo operazioni di manutenzione solo quando sono completamente necessarie. In questa tesi, indaghiamo modelli non supervisionati e semi-supervisionati di Anomaly Detection per la Manutenzione Predittiva, che non necessitano della disponibilità di dati di relativi ai guasti, e proponiamo un approccio innovativo basato sul framework della Open Set Recognition. Infatti, i modelli di Open Set Recognition possono estendere le capacità dei modelli di Anomaly Detection arricchendo il concetto di normalità con l'aggiunta di concetti che caratterizzano il processo industriale, mentre preservano la capacità di individuare pattern anormali. Inoltre, il concetto più completo di normalità porta il modello a fare previsioni più accurate e stabili. Infine, il modello proposto porta alla definizione di un indicatore interpretabile che può essere monitorato per guidare le decisioni di manutenzione. Indaghiamo le performance dei modelli proposti su due datasets relativi al monitoraggio di cuscinetti a sfera attraverso sensori di vibrazione, conducendo analisi sia quantitative che qualitative.