Predictive maintenance e Machine learning applicazione di un modello orientato ai costi per l'implementazione

In contesti industriali caratterizzati da elevata competitività e dalla necessità di ridurre i costi operativi, la gestione della manutenzione assume un ruolo centrale per garantire l’efficienza e la continuità dei processi produttivi. In tale scenario, la manutenzione predittiva (Predictive Maintenance, PdM) basata su tecniche di machine learning (ML) rappresenta un approccio promettente per la prevenzione dei guasti e l’ottimizzazione degli interventi manutentivi. Tuttavia, la sua implementazione comporta costi di investimento significativi, che non sempre risultano economicamente giustificabili, soprattutto in aziende prive delle competenze tecniche necessarie. In questo elaborato viene adottato e adattato un modello matematico di valutazione orientato alla minimizzazione dei costi totali di manutenzione, che include sia i costi di investimento sia quelli operativi. Le prestazioni dei modelli di machine learning sono valutate in termini di probabilità di corretta individuazione dei guasti, analizzate attraverso la curva ROC (Receiver Operating Characteristics), al fine di determinare la convenienza dell’adozione della PdM basata su ML rispetto alle strategie manutentive tradizionali. Sulla base del modello matematico viene fornito un sistema di supporto decisionale (Decision Support System, DSS), applicato a un caso industriale reale, che guida il processo di implementazione della manutenzione predittiva. Il DSS consente di confrontare le strategie manutentive attualmente adottate e di valutare in modo quantitativo i benefici economici derivanti dall’introduzione della PdM.