Ingegneria industriale green per lo sviluppo sostenibile - Green Industrial Engineering for Sustainable Development (sede di Latina)

Parte 0 Introduzione al corso, inquadramento del tema Parte I Definizioni e Concetti di base Definizioni base della diagnostica: guasto, sintomo, precursore [...] Tipologie di guasto e modelli di guasto (secondo criteri di tempo e manifestazione) Paradigmi di gestione dei guasti: Fault Detection/Diagnosis vs Fault Tolerant Design, integrated design, cascaded design Tipologie di manutenzione e gestione della manutenzione Tecniche di manutenzione predittiva Guasti nei sistemi energetici: impianto fotovoltaico Richiami di misure Fault Detection & Isolation/Diagnosis: Detection: Input samples, residuals, statistical hypothesis & set based approach Isolation: Unsupervised methods, PCA & Clustering Estimation: Process & Sensitivity Classification: Definitions & Metrics Metodi Classici di Fault Detection: metodi univariati (Shewhart - CUSUM - EWMA) e multivariati (Chi squared - Hotelling) Approcci alla diagnostica e all'identificazione dei guasti: metodi model-free, model-based, knowledge-based. Approcci induttivi, deduttivi, abduttivi. Introduzione alla Root Cause Analysis Metodi di analisi dell'affidabilità: metodi statistici e FMECA Parte II Machine learning nelle tecniche di diagnosi e prognosi Introduzione a Python per l'analisi dati Introduzione al machine learning: motivazioni, definizioni, tassonomia, pipeline, limiti Train e test split; Errore in sample ed errore out of sample; Underfitting VS overfitting; Cross validation Cenni di algoritmi di machine learning: regressione lineare, alberi decisionali e algoritmi derivati (random forest, xgboost), reti neurali Tecniche di preprocessazione dati: drop, imputazione, encoding Feature engineering: Mutua informazione, Clustering: k-means; Principal component analysis (PCA) Serie temporali: trend, stagionalità e cicli, autocorrelazione, lag, modello ibrido per forecasting Anomaly detection: definizioni e tecniche (isolation forest, autoencoder)

E' richiesta una conoscenza comprovata e approfondita dei sistemi di conversione di energia da fonti tradizionali e rinnovabili. E' richiesta una conoscenza base dei fondamenti di statistica.

Complete Guide to Predictive and Predictive Maintenance - Joel Levitt - 2e - Industrial Press Questa guida completa di Joel Levitt fornisce un'esplorazione approfondita delle strategie di manutenzione predittiva e preventiva in ambito industriale. La seconda edizione copre concetti essenziali, metodologie e best practice per implementare programmi di manutenzione efficaci che aiutano le organizzazioni a ridurre i tempi di fermo, estendere la vita utile delle apparecchiature e ottimizzare l'efficienza operativa. Il libro tratta varie tecniche di manutenzione predittiva, tra cui l'analisi delle vibrazioni, la termografia e l'analisi dell'olio, offrendo spunti pratici per professionisti e manager della manutenzione che desiderano passare da approcci reattivi a proattivi. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow 3e: Concepts, Tools, and Techniques to Build Intelligent Systems - Aurelien Geron - O'Reilly Media Una guida pratica al machine learning che insegna ai lettori come costruire sistemi intelligenti utilizzando popolari framework Python. Il libro copre concetti fondamentali e tecniche avanzate, progredendo dagli algoritmi di machine learning di base con Scikit-Learn al deep learning con Keras e TensorFlow. Con esempi pratici, frammenti di codice e progetti reali, i lettori imparano a implementare classificazione, regressione, clustering, reti neurali e altro ancora. Questa edizione include contenuti aggiornati che riflettono gli ultimi sviluppi nel campo, rendendola una risorsa essenziale sia per principianti che per professionisti esperti.

La frequenza alle lezioni si svolge in aula e, pur non essendo obbligatoria, è fortemente consigliata per garantire una migliore comprensione degli argomenti trattati e per beneficiare dell'interazione diretta con il docente durante la spiegazione dei concetti teorici e metodologici. Per la parte finale del corso, dedicata alla programmazione in Python e all'utilizzo di tecniche di machine learning, è consigliato agli studenti di portare in aula supporti digitali quali laptop o tablet. Questi strumenti consentiranno di seguire più efficacemente le dimostrazioni pratiche su Jupyter Notebook e Google Colab, permettendo agli studenti di sperimentare direttamente con il codice e di acquisire maggiore familiarità con gli ambienti di programmazione utilizzati nel corso.

La valutazione della conoscenza e delle competenze acquisite avviene attraverso un esame scritto articolato in domande a risposta aperta che coprono l'intero programma del corso. Le domande sono progettate per verificare la comprensione dei concetti chiave della diagnostica e della gestione dei guasti nei sistemi energetici, nonché la padronanza delle metodologie di machine learning applicate alla diagnosi e prognosi. La valutazione tiene conto non solo della correttezza tecnica delle risposte, ma anche della chiarezza espositiva, della capacità di sintesi e dell'abilità di collegare i diversi argomenti trattati durante il corso. Gli studenti devono dimostrare di saper spiegare in modo chiaro e organizzato i principi teorici, di saper descrivere le procedure operative e di essere in grado di giustificare le scelte metodologiche. La chiarezza dell'esposizione costituisce un elemento fondamentale della valutazione, in quanto riflette la reale comprensione degli argomenti e la capacità di comunicare efficacemente concetti tecnici complessi.

La didattica si svolge interamente in presenza attraverso lezioni frontali supportate da presentazioni PowerPoint che illustrano i contenuti teorici e metodologici del corso. Durante le lezioni vengono presentati i concetti fondamentali della diagnostica, i metodi classici di fault detection e le tecniche di machine learning, favorendo l'interazione con gli studenti attraverso esempi pratici e casi di studio. Nella parte finale del corso, dedicata alla programmazione in Python, le lezioni mantengono il formato frontale ma si avvalgono dell'ausilio di Jupyter Notebook in ambiente cloud tramite Google Colab. Questa modalità consente di combinare la spiegazione teorica con la dimostrazione pratica del codice, permettendo agli studenti di seguire in tempo reale l'implementazione degli algoritmi e delle tecniche di analisi dei dati, facilitando così l'apprendimento delle competenze di programmazione necessarie per l'applicazione pratica dei metodi studiati.