MANUTENZIONE PREDITTIVA NEI PROCESSI INDUSTRIALI: ALGORITMI E APPROCCI NEL DOMINIO IN FREQUENZA E CONFRONTI NEL DOMINIO TEMPORALE

Spectrum analysis as an approach for predictive maintenance application in the process industry: - Full understanding of insights coming from a set of multiple vibration sensors installed different practical use cases - Full data flow structure/architecture from installed vibration sensors to cloud - Spectrum data retrieval approach design - Spectrum analysis approach designed to further optimize the predictive maintenance approach already deployed on 5 PMI affiliates around the world

La tesi di laurea è basata sull’utilizzo di strategie di Machine learning per eseguire operazioni di manutenzione predittiva nel contesto industriale. In particolare, la tesi tratta lo sviluppo di un sistema di manutenzione predittiva basato sull’analisi in frequenza delle vibrazioni osservate sull’asset in analisi. Essenzialmente l’obiettivo del progetto consiste nell’analizzare i dati in frequenza delle vibrazioni, rilevare eventuali andamenti anomali nei dati (drift) utilizzando algoritmi di ML e, attraverso l’analisi in frequenza, determinare l’entità dell’anomalia e identificare quale componente del sistema potrebbe esserne la causa. In questo progetto il ML è anche utilizzato per effettuare operazioni di trend prediction, utili a prevedere l’evoluzione del drift nel tempo e conseguentemente valutarne il rischio.