Riassunto analitico
Il presente lavoro di tesi, risultato del tirocinio svolto presso IndioTECH s.r.l., è stato finalizzato allo sviluppo di un algoritmo di Machine Learning per la diagnostica di cuscinetti danneggiati, da riconoscere e classificare secondo le diverse tipologie di danno. Inizialmente è stata visionata la letteratura scientifica a riguardo, vagliando lo stato dell’arte alla ricerca delle tecniche migliori, sia dal punto di vista dell’accuratezza che della complessità computazionale richiesti per il nostro caso specifico. Successivamente, mi sono avvalso di dati sperimentali e dataset preesistenti per l’analisi preliminare dei cuscinetti, valutando le varie casistiche di danno. In seguito, sono state sperimentate varie tecniche di diagnostica, tramite software Matlab, per eseguire un’analisi preliminare e preprocessare i dati per prepararli all’analisi tramite algoritmi di Machine Learning. A seguire, l’attenzione è stata focalizzata nello sfruttare librerie professionali di Machine Learning, quali Keras e TensorFlow, tramite ambiente di programmazione Python per sviluppare varie versioni dell’algoritmo oggetto del nostro lavoro di tesi. Sono state vagliate diverse tecniche di classificazione, partendo da quelle classiche, fino alle Convolutional Neural Network, le quali si sono rivelate particolarmente efficaci nella risoluzione di questa tipologia di problemi, in particolare nell’oggetto della nostra tesi. A corredo di ciò, è stato testato l’algoritmo ultimato su di un banco prova reale, per verificarne l’efficacia su di un set di cuscinetti fallati completamente nuovo, creato appositamente per testare l’efficacia dell’algoritmo in una situazione reale, in previsione di un futuro utilizzo in ambito industriale.
|
