Manutenzione predittiva di veicoli industriali basata su tecniche supervisionate di machine learning

Il notevole sviluppo della tecnologia ha migliorato molti aspetti della nostra vita, rendendo più semplici i compiti normalmente eseguiti dall'uomo e diminuendo la probabilità di errore associato. Per quanto riguarda il contributo positivo di queste nuove tecnologie al campo noto come Data Science, tecniche automatiche e innovative, identificate dalla parola Internet Of Things (IoT), sono state utilizzate per raccogliere ed elaborare i dati. Il settore automobilistico ha beneficiato dei vantaggi dell'IoT sostituendo le vecchie tecniche basate su cavi ingombranti e pesanti con la tecnologia CAN (Controller Area Network) bus. In questa tesi i dati raccolti con il CAN bus(forniti da Tierra SpA) vengono utilizzati principalmente per rappresentare statistiche e fare previsioni con tecniche di Machine Learning (supervisionate e non supervisionate) sull'uso dei veicoli, cercando di capire quando (in quante settimane / giorni) la soglia di utilizzo verrà superata e sarà necessario eseguire un'attività di manutenzione. Pertanto, è stato impiegato un approccio basato sulla manutenzione predittiva, piuttosto che preventiva o reattiva, sfruttando qualsiasi tipo di beneficio associato. La correlazione tra l'uso di un veicolo e gli aspetti di manutenzione ha richiesto un'analisi volta a illustrare per ciascun modello i pattern di utilizzo e la relativa distribuzione di valori. Questi parametri sono rilevanti perché consentono di capire se un singolo modello di previsione può essere utilizzato per diversi modelli di veicoli o veicoli di uno stesso modello e quanto bene gli algoritmi ML potrebbero funzionare in generale dovendo prevedere intervalli di valori più o meno limitati. Infine, sono stati applicati diversi algoritmi con due diverse metodologie, in particolare: Linear Regression, Support Vector Machine, Random Forest e Gradient Boosting. I risultati finali hanno mostrato una maggiore efficacia degli algoritmi di regressione piuttosto che delle tecniche di classificazione, a causa della natura dei dati sbilanciati su un'etichetta di classe. Inoltre, per quanto riguarda gli algoritmi di regressione e le due metodologie utilizzate sono state osservate grandi differenze associate ai tempi di esecuzione e all'accuratezza dei risultati, la prima metodologia presentata che predice il tempo rimanente per la manutenzione ha ottenuto risultati migliori. Sono state prese determinate contromisure(i.e. scelta di un training set con dimensionata fissa) per migliorare l'addestramento del modello di previsione e l'errore ottenuto in fase di test, in particolare per gli algoritmi basati sul bagging (RF) e sul boosting (GB). Tuttavia, tutti gli algoritmi di regressione hanno ottenuto risultati migliori dell'algoritmo scelto come baseline, soprattutto quelli su base settimanale che dovrebbero essere utilizzati da Tierra SpA per attività future e strettamente inerenti l'argomento della manutenzione predittiva. Usare dati relativi a peridi temporali più lunghi e applicare gli algoritmi a un prodotto finale da mettere sul mercato dei veicoli industriali rappresentano i prossimi step.