Digital Twin per il controllo della qualità: un approccio sperimentale alla diagnostica dei difetti = Digital Twin for quality control: an experimental approach to defect diagnostics

Il presente lavoro di tesi affronta lo sviluppo di un Digital Twin (DT) per il controllo della qualità basato su variabili miste, quantitative e categoriche, con l’obiettivo di migliorare la diagnostica dei difetti in processi produttivi complessi. A differenza dei modelli di controllo tradizionali, incentrati su misure continue, l’approccio proposto integra anche informazioni qualitative, come la presenza o assenza di difetti, per fornire un output binario interpretabile (difettoso / non difettoso). Il framework metodologico, ispirato al lavoro di Böttjer e Ramanujan (2023), è stato adattato e implementato in un caso di studio reale relativo alla produzione di stampi ad alta precisione. Dopo una fase di pre-elaborazione e bilanciamento dei dati, è stato applicato un confronto tra differenti modelli di machine learning — Random Forest, Multilayer Perceptron, Multinomial Logistic Regression e LightGBM — utilizzando due strategie di oversampling: Random Oversampling (ROS) e SMOTENC, quest’ultima specificamente progettata per gestire dataset misti. I risultati sperimentali evidenziano che la combinazione di SMOTENC con LightGBM fornisce le prestazioni migliori in termini di accuratezza complessiva, recall e F1-score, oltre a una migliore capacità di discriminazione nei confronti della classe minoritaria. La suddivisione per gruppi di lavorazione (TP) ha inoltre garantito indipendenza statistica tra training, validation e test, assicurando la solidità metodologica del processo. Il contributo principale della tesi risiede nella dimostrazione della fattibilità di un Digital Twin diagnostico capace di integrare variabili eterogenee per supportare le decisioni di qualità.