ETD

• biodiesel
• manutenzione predittiva
• neural network
• predictive maintenance
• rete neurale

La tesi ha riguardato lo sviluppo di diversi algoritmi di machine learning finalizzati alla manutenzione predittiva di alcune apparecchiature critiche in un impianto industriale per la produzione di biodiesel ottenuto da UCO (Used Cooking Oil) come materia prima. L’obiettivo principale è stato quello di individuare in anticipo eventuali anomalie, migliorando l’efficienza del processo e ottimizzando la manutenzione. L’aspetto innovativo della metodologia proposta consiste nell’utilizzo esclusivo di dati provenienti da sensori installati in prossimità delle apparecchiature, ma non direttamente su di esse. Questa scelta ha permesso di superare la limitata disponibilità di segnali diretti, dimostrando come un approccio basato sull’analisi indiretta dei parametri di processo possa comunque fornire risultati affidabili. I modelli sviluppati, dopo un’accurata fase di raccolta e pulizia dei dati, hanno mostrato un’elevata capacità predittiva fino a 24 ore prima del failure.


This thesis focused on the development of several machine learning algorithms for predictive maintenance of critical equipment in an industrial biodiesel production plant using UCO (Used Cooking Oil) as feedstock. The main objective was to identify potential anomalies in advance, thereby improving process efficiency and optimizing maintenance activities.
The innovative aspect of the proposed methodology lies in the exclusive use of data from sensors installed near the equipment, but not directly on it. This approach made it possible to overcome the limited availability of direct measurements, demonstrating that an indirect analysis of process parameters can still provide reliable results. After a thorough phase of data collection and cleaning, the developed models showed high predictive capability, allowing failure prediction up to 24 hours in advance.