MANUTENZIONE PREDITTIVA DEI MOTORI AERONAUTICI TRAMITE MACHINE LEARNING: ANALISI DEL CMAPSS DATASET CON MATLAB ​

Il presente lavoro di tesi analizza l'applicazione di algoritmi di intelligenza artificiale per la manutenzione predittiva nel settore aeronautico, con particolare focus sulla stima della vita utile residua (Remaining Useful Life, RUL) di motori turbofan. Utilizzando il dataset benchmark NASA C-MAPSS (subset FD002), è stato implementato un flusso di lavoro completo in ambiente MATLAB, comprendente pre-elaborazione dei dati, feature engineering avanzato tramite statistiche mobili e definizione di relazioni fisiche tra sensori. Sono stati sviluppati e confrontati modelli di apprendimento automatico classici (Random Forest) e architetture di Deep Learning (MLP e reti ibride CNN-BiLSTM). I risultati sperimentali dimostrano la superiorità dell'approccio sequenziale CNN-BiLSTM, capace di catturare efficacemente le dipendenze temporali del degrado e di fornire previsioni, migliorando la precisione rispetto ai modelli statici. ​