Analisi di Serie Temporali per la Manutenzione Predittiva ed il Rilevamento di Anomalie nel Settore Manifatturiero = Time Series Analysis for Predictive Maintenance and Anomaly Detection in the Manufacturing Sector

Durante il tirocinio in Technology Reply, finalizzato alla stesura di questa tesi, ho avuto modo di partecipare ad un progetto, tuttora in corso, per la creazione di una piattaforma end-to-end su cui utilizzare algoritmi per l’analisi dei dati, la manutenzione predittiva e la rilevazione di anomalie. L’azienda cliente, leader nel settore in ambito manifatturiero, ha richiesto la creazione di una piattaforma su Oracle Analytics Cloud che consentisse la manutenzione e l’individuazione di criticità nelle proprie macchine installate per l’imballaggio e l’imbottigliamento. In questa tesi verranno presentate le fasi del progetto. In primo luogo, si sono utilizzati in combinazione un DataLake e un DataWarehouse per la costruzione dell’ambiente di lavoro. Dopodiché, attraverso la creazione di dashboard e sfruttando le conoscenze acquisite attraverso l’analisi dei dati, è stato possibile implementare modelli predittivi su variabili di interesse, in modo da ottimizzare l’efficienza operativa e migliorare la qualità dei servizi. In particolare, la trattazione verte su un dataset formato dagli allarmi inviati dai sensori delle macchine con i relativi timestamp, da cui si sono generate delle serie temporali, con diversi livelli di aggregazione. Questa fase è stata possibile grazie all’utilizzo di un dataset selezionato dal DB Oracle e l’utilizzo di modelli quali SARIMA e SARIMAX, implementati tramite l’utilizzo di Python. I risultati ed i procedimenti sono stati validati sia con test statistici, quali Augmented Dickey Fuller Test e Kwiatkowski-Phillips-Schmidt-Shin test, che con metriche, quali il MASE. Confrontando i metodi su un set di test, con SARIMAX si è notato un leggero miglioramento nelle prestazioni delle predizioni. La fase successiva si focalizza su algoritmi di Anomaly Detection e l’identificazione del più performante in base alle richieste del cliente. In particolare, si sono implementati su Python i seguenti algoritmi: Isolation Forest, DBSCAN, K-means, One-Class SVM. I risultati di questi si sono confrontati tramite l’utilizzo di metriche di performance, tra cui per esempio Silhouette Score, Davies-Bouldin Index e Calinski-Harabasz Index per il DBSCAN. Tra questi, i modelli più performanti si sono rivelati essere l’Isolation Forest ed il DBSCAN, mentre K-means e One-Class SVM identificano erroneamente le anomalie nella serie temporale indicata. La soluzione mira ad individuare altre variabili di interesse, andando incontro alle esigenze del cliente, con il fine di ottenere del valore aggiunto per l'impresa. A gennaio 2024, il progetto ha vinto il premio Oracle Excellence Award 2023 nella categoria “Innovating with Data” con il supporto di Technology Reply.