Rilevamento di Guasti nella Fornitura di Carburante Basato su Machine Learning: Identificazione di Malfunzionamenti di Miscelazione del Carburante con Tecniche Avanzate

Abstract

Nel mondo industriale in rapida evoluzione, la rilevazione dei guasti è fondamentale per ottimizzare le prestazioni e l'affidabilità dei macchinari e delle attrezzature principali. L'obiettivo della rilevazione dei guasti è individuare potenziali problemi nei sistemi prima che diventino abbastanza gravi da causare malfunzionamenti, permettendo di intraprendere azioni tempestive che garantiscono la continuità delle operazioni industriali quotidiane. L'obiettivo primario è individuare schemi che possano segnalare guasti e ridurre il rischio di malfunzionamento o possibile fallimento dell'attrezzatura. La raccolta, l'esplorazione e l'analisi dei dati giocano un ruolo chiave per l'industria moderna, spingendola a cambiare i propri investimenti e sforzi in relazione ai propri processi e macchinari operativi.

Nel campo della fornitura di energia, un esempio rilevante è la consegna di carburanti, in cui un aspetto cruciale è garantire che i vari tipi di combustibili vengano consegnati ai punti vendita in maniera efficiente. La miscela di diversi tipi di carburanti durante il processo di consegna merita di essere studiata e prevenuta, poiché può comportare gravi interruzioni aziendali, perdite economiche e aumentare i rischi per la sicurezza.

Questa tesi si concentra quindi sullo sviluppo di soluzioni basate sull'analisi e sull'approccio tramite il machine learning per la rilevazione dei guasti nei meccanismi delle valvole che separano i vari tipi di carburanti nei rimorchi di trasporto. L'identificazione di questo tipo di guasto permette al sistema di prevenire la miscelazione dei combustibili, con l'obiettivo di mantenere la qualità e l'integrità del carburante durante il trasporto. Nel presente lavoro vengono esplorati diversi modelli di machine learning, addestrati e testati con dati operativi reali, al fine di estrarre caratteristiche e schemi rilevanti.

In the rapidly evolving industrial world, fault detection is crucial for optimizing the performance and dependability of core machinery and equipment. The goal of fault detection is to spot possible problems in systems before they become serious enough to cause failures, allowing for prompt actions that guarantee the continuation of everyday industrial operations. The primary objective is to find patterns that can signal faults and reduce the risk of equipment malfunction or possible failure. Gathering, exploring and analyzing data, plays a key role for the modern day industry to change their investments and efforts when it comes to their processes and operating machinery. In the field of energy supply, such a case is the delivery of fuels, one crucial aspect is making sure that various fuel types are delivered to the points of sale in an efficient manner. The mixture of different types of fuels throughout the delivery process is worth to be studied and prevented considering it leads to major business disruptions, monetary losses, and increases safety risks. This thesis therefore focuses on the development of analyzing and approaching machine learning-based solutions for fault detection in valve mechanisms that separate the various types of fuels in transport trailers. The detection of this kind of fault enables the system to prevent fuel mixing with the purpose of maintaining the quality and integrity of the fuel during transportation. We explore through this paper several machine learning models, trained and tested with real-life operational data, extracting relevant features and patterns.