Sviluppo di un modello predittivo per unità esterne di condizionatori: un caso studio in collaborazione con Vibes s.r.l.

Il presente elaborato nasce dalla collaborazione con Vibes s.r.l., startup operante nel settore della manutenzione predittiva, con l’obiettivo di sviluppare un modello di Machine Learning in grado di individuare possibili malfunzionamenti in un’unità esterna di condizionatore da ufficio. Il lavoro si è focalizzato sull’analisi dei dati di accelerazione acquisiti da un sensore triassiale installato sulla scocca dell’unità, integrati con dati meteorologici forniti da ARPAV. È stato adottato un approccio non supervisionato, data l’assenza di etichette diagnostiche, attraverso l’impiego dell’algoritmo Isolation Forest per il rilevamento delle anomalie e della Fast Fourier Transform (FFT) per l’analisi delle componenti frequenziali. L’elaborazione è stata condotta interamente in ambiente Python. I risultati hanno evidenziato alcune criticità nella struttura di acquisizione e trasmissione dei dati, in particolare la limitata copertura temporale dei segnali, che ha compromesso la possibilità di trarre conclusioni definitive sulle anomalie riscontrate. Sono state proposte due strategie alternative: la riduzione della frequenza di campionamento o la transizione a un sistema di manutenzione condition-based. Lo studio fornisce indicazioni pratiche su come migliorare l'efficacia dei sistemi di manutenzione predittiva, integrando tecniche di analisi avanzate e riflessioni sull’architettura dei sistemi PHM.