Manutenzione Predittiva con i metodi di Machine Learning
Richiesta informazioni
Compila il form e inviaci la tua richiesta!
La manutenzione predittiva si realizza attraverso l’utilizzo di modelli predittivi basati sui metodi di machine learning. Analizzando i segnali real-time trasmessi dai sensori installati sulla macchina è possibile monitorare costantemente i parametri di funzionamento, con il vantaggio di poter attivare interventi che riducono il rischio di fermo macchina. Grazie all’utilizzo di questi modelli previsionali il guasto futuro è segnalato in tempo utile e consente di svolgere l’attività manutentiva prima che si verifichi il guasto.
Il corso si rivolge a Direttori/manager/responsabili/operatori nei reparti di produzione/qualità/IT/operations in tutti i settori produttivi: alimentare, automazione, elettrica ed elettronica, vetro, energia, tessile, automobilistico, aviazione, chimica, imballaggi, retail, plastica, macchinari, bevande, metallurgia, carta.
Il corso si propone di fornire ai partecipanti nozioni di base utili a progettare una strategia basata sulla manutenzione predittiva. Introdurrà i concetti chiave della manutenzione predittiva focalizzando l’attenzione sull’analisi dei dati generati dai macchinari, come le telemetrie o i segnali IOT, e applicativi dei metodi di machine learning.
La manutenzione predittiva, predictive maintenance, risulta essere un approccio strategico per le aziende che intendono ottimizzare i propri asset. Infatti, questo approccio risulta fondamentale per mantenere in funzione le attrezzature, per massimizzare l’utilizzo e le prestazioni, riducendo inoltre il costo del tempo di inattività non pianificato.
Gli argomenti del corso saranno introduttive alle seguenti tematiche:
- Data science
- Metodi predittivi di machine learning
- Manutenzione predittiva
Docente Alessio Passalacqua
Data Analyst con esperienza nei processi produttivi, si occupa di accelerare il processo di innovazione all’interno delle aziende manifatturiere analizzando i dati allo scopo di generare nuove conoscenze e migliorare l’efficienza produttiva.
Ha sviluppato modelli predittivi per l’efficienza energetica, riduzione degli scarti, ricerca di anomalie, analisi segnali IOT, ottimizzazione di processo e per lo sviluppo di nuovi prodotti.
Collabora con centri di formazione ed è docente dei corsi “Data Analysis for Smart Factory” e “Corso pratico di Data Science con R”.
Accanto all’attività di sviluppo e di formazione è relatore a conferenze sulle tematiche relative ad Industry 4.0, Smart Factory e Data Driven Innovation.
Coorganizzatori
