Manutenzione Predittiva Uncertainty-Aware: Sviluppo e Validazione di un Framework per la Stima della Remaining Useful Life e il Supporto Decisionale

Abstract

La digitalizzazione progressiva dei sistemi produttivi ha abilitato lo sviluppo di metodologie di manutenzione predittiva fondate su tecniche di Machine Learning, permettendo di stimare la Remaining Useful Life (RUL) degli asset con precisione crescente. Una limitazione critica delle stime puntuali risiede tuttavia nell’assenza di informazioni circa l’affidabilità della previsione stessa – un gap particolarmente rilevante quando tali stime supportano decisioni manutentive di portata operativa. La presente tesi si propone di analizzare il ruolo della Uncertainty Quantification nella Predictive Maintenance, sviluppando un framework integrato che combina la previsione della RUL, la quantificazione e calibrazione dell’incertezza, e il supporto al processo decisionale. La sperimentazione, condotta sul dataset NASA C-MAPSS FD001, confronta Random Forest, XGBoost e LSTM rispetto ad accuratezza, stabilità e qualità degli intervalli di previsione, mediante calibrazione tramite Conformal Prediction. I risultati evidenziano che LSTM raggiunge le migliori prestazioni predittive, mentre XGBoost offre maggiore stabilità e il miglior equilibrio tra copertura e precisione degli intervalli. L'inclusione dell'incertezza nelle logiche decisionali migliora il rilevamento di condizioni critiche, introducendo però una componente di falsi positivi. Il framework mette in luce il delicato trade-off tra accuratezza prognostica, affidabilità informativa e prudenza manutentiva.

The progressive digitalization of production systems has enabled the development of predictive maintenance methodologies grounded in Machine Learning techniques, allowing for increasingly accurate estimation of asset Remaining Useful Life (RUL). A critical limitation of point estimates, however, lies in their inability to communicate the inherent uncertainty of predictions—a gap of particular significance when such estimates inform operational maintenance decisions. This thesis addresses the role of Uncertainty Quantification in Predictive Maintenance by proposing an integrated framework that combines RUL forecasting, uncertainty quantification and calibration, and decision support mechanisms. The experimental investigation, conducted on the NASA C-MAPSS FD001 dataset, compares Random Forest, XGBoost, and LSTM across predictive accuracy, model stability, and prediction interval quality, employing Conformal Prediction for calibration purposes. Findings indicate that LSTM achieves superior predictive performance, while XGBoost demonstrates enhanced stability and the most favorable balance between interval coverage and width. Integrating uncertainty into decision-making logic improves the detection of critical conditions at the cost of increased false positives. The framework ultimately reveals a fundamental trade-off between prognostic accuracy, information reliability, and maintenance conservatism—a tension that warrants careful consideration in operational deployment.