Comparazione di modelli predittivi per valutare la reliability e le policy management in sistemi industriali

Abstract

Nell'era dell'informazione, l'affidabilità delle apparecchiature di produzione ha un notevole impatto sulla produttività e sull'esecuzione della manutenzione predittiva. Previsioni di affidabilità accurate possono fornire una buona valutazione delle prestazioni della macchina al fine di eseguire la manutenzione predittiva in modo efficace. Questo lavoro di tesi, compara tre algoritmi di classificazione dell'apprendimento automatico: support vector machines (SVM), reti neurali (ANN), k-nearest neighbor (KNN) per capire quale sia il migliore per prevedere l'affidabilità in sistemi industriali. Come set di dati in input sono stati utilizzati i dati di affidabilità reale in sistemi industriali, e con tali dati, sono stati implementati su Matlab tutti e tre i metodi che analizzando i parametri di input: temperatura, pressione, umidità e shock raccolti dai sensori, fornendo come output diversi stati di danneggiamento. Successivamente sono stati confrontati gli output ottenuti da ciascun metodo per stabilire quale sia il metodo migliore per riconoscere i guasti in un sistema industriale. I risultati sperimentali dimostrano che, sebbene tutti e tre i modelli forniscano un'elevata accuratezza nella previsione, il modello SVM rappresenta un valido potenziale per prevedere l'affidabilità e i guasti del sistema industriale in termini di precisione e velocità computazionale.

In the information age, the reliability of production equipment has a significant impact on productivity and the execution of predictive maintenance. Accurate reliability predictions can provide a thorough assessment of machine performance, facilitating effective predictive maintenance. This thesis compares three machine learning classification algorithms: Support Vector Machines (SVM), Artificial Neural Networks (ANN), and k-Nearest Neighbors (KNN), to determine the most effective in predicting reliability in industrial systems. Real reliability data from industrial systems were used as the input dataset, and all three methods were implemented in MATLAB. Analyzing input parameters such as temperature, pressure, humidity, and shock collected by sensors, these methods produced different states of damage as output. Subsequently, the outputs of each method were compared to establish the optimal approach for fault recognition in an industrial system. The experimental results demonstrate that, although all three models provide high accuracy in prediction, the SVM model represents a valid potential for forecasting the reliability and failures of the industrial system in terms of precision and computational speed.