Esplorazione degli algoritmi di Classificazione per la manutenzione predittiva nell'era dell’Industry 4.0 = Exploration of Classification algorithms for predictive maintenance in the era of Industry 4.0

L’avvento dell’Industria 4.0 ha portato con sé un radicale cambiamento del settore manifatturiero. Sistemi Cyber-Fisici, Internet of Things, Realtà Aumentata, Intelligenza Artificiale, Additive Manufacturing, Robot Autonomi, sono solo alcune delle tecnologie che hanno rinnovato il modo di produrre trasformando il vecchio concetto di fabbrica in Smart Fabric, una struttura automatizzata e largamente interconnessa dove uomo e macchinari comunicano scambiando informazioni. Protagonisti indiscussi di questa rivoluzione sono senza dubbio i Big Data: enormi flussi di dati raccolti a partire da appositi sensori posizionati su macchinari e robot per monitorarne lo stato ed il funzionamento. Questa possibilità rappresenta un prezioso asset per l’azienda che, se sfruttato adeguatamente, garantisce un vantaggio competitivo notevole. In questo contesto si afferma il Machine Learning che racchiude un insieme di metodologie che permettono a sistemi e macchine di acquisire la capacità di imparare dall'esperienza e migliorarsi in modo autonomo. Nella presente Tesi ci si concentra su una categoria di algoritmi di apprendimento automatico supervisionato, cioè gli algoritmi di Classificazione che, nel caso specifico, saranno impiegati per realizzare un progetto di manutenzione predittiva. Il caso di studio riguarda il monitoraggio di un robot di un’importante azienda di fama internazionale e leader mondiale nel campo dell’automazione. L’obiettivo è, a partire dai dati riguardanti la corrente consumata dal robot durante vari cicli produttivi, valutare se gli algoritmi di Classificazione sono in grado di prevedere i valori anomali di corrente, identificando tempestivamente ed in modo automatico i malfunzionamenti che potrebbero essere dovuti all'errato tensionamento della cinghia. In questo modo, si interviene sul macchinario solo nei casi in cui è strettamente necessario, riducendo i fermi produttivi e i costi legati ad interventi non indispensabili. Questo tipo di analisi è di grande interesse nello scenario dell’Industria 4.0 poiché l’obiettivo a cui si tende è fare in modo che i macchinari siano in grado di apprendere in modo autonomo quando il loro funzionamento è affetto da anomalie e riescano ad attuare misure correttive, prevenendo veri e propri guasti.