L’evoluzione delle tecniche di machine learning in ambito manutentivo

This thesis describes the use of Machine Learning (ML) for Predictive Maintenance (PdM) in the industrial sector. The first part of the paper provides an overview of the different learning models. Next, it analyzes the transition from traditional statistical methods to Deep Learning, explaining how neural networks can better handle the complexity of modern machinery. Finally, the work focuses on practical applications, specifically on how these algorithms are used to classify faults and calculate how much time is left before a component breaks down. The final goal is to show how the analysis of historical data allows companies to prevent failures and optimize maintenance operations.

Questo elaborato descrive l'utilizzo del Machine Learning (ML) per la Manutenzione Predittiva (PdM) nel settore industriale. La prima parte della tesi offre una panoramica dei diversi modelli di apprendimento. Successivamente, viene analizzato il passaggio dai metodi statistici classici al Deep Learning, spiegando come le reti neurali riescano a gestire meglio la complessità dei macchinari moderni. Infine, il lavoro si concentra sulle applicazioni pratiche, in particolare su come questi algoritmi vengano usati per classificare i guasti e per calcolare quanto tempo manca prima che un componente si rompa . L'obiettivo finale è mostrare come l'analisi dei dati storici permetta alle aziende di prevenire i guasti e ottimizzare gli interventi di manutenzione.