This thesis examines the use of Machine Learning (ML), Artificial Intelligence (AI), and Deep Learning (DL) for predictive maintenance in the utility sector. By predicting equipment failures in advance, these technologies help improve operational efficiency and reduce costs. The research focuses on methods and models for data collection and analysis, demonstrating how advanced technologies increase reliability in utility operations.

Questa tesi analizza l'utilizzo del Machine Learning (ML), dell'Intelligenza Artificiale (AI) e del Deep Learning (DL) nella manutenzione predittiva nel settore utility. Prevedendo i guasti degli impianti in anticipo, queste tecnologie migliorano l'efficienza operativa e riducono i costi. La ricerca si concentra sui metodi e modelli di raccolta e analisi dei dati, dimostrando come le tecnologie avanzate aumentano l'affidabilità nelle operazioni delle utilities.

MANUTENZIONE PREDITTIVA NEL SETTORE DELLE UTILITY: UN APPROCCIO BASATO SUI DATI

PERRUCCI, ANTONIO
2023/2024

Abstract

This thesis examines the use of Machine Learning (ML), Artificial Intelligence (AI), and Deep Learning (DL) for predictive maintenance in the utility sector. By predicting equipment failures in advance, these technologies help improve operational efficiency and reduce costs. The research focuses on methods and models for data collection and analysis, demonstrating how advanced technologies increase reliability in utility operations.
2023
PREDICTIVE MAINTENANCE IN THE UTILITY INDUSTRY: A DATA-DRIVEN APPROACH
Questa tesi analizza l'utilizzo del Machine Learning (ML), dell'Intelligenza Artificiale (AI) e del Deep Learning (DL) nella manutenzione predittiva nel settore utility. Prevedendo i guasti degli impianti in anticipo, queste tecnologie migliorano l'efficienza operativa e riducono i costi. La ricerca si concentra sui metodi e modelli di raccolta e analisi dei dati, dimostrando come le tecnologie avanzate aumentano l'affidabilità nelle operazioni delle utilities.
File in questo prodotto:
File Dimensione Formato  
Tesi_Antonio_Perrucci.pdf

embargo fino al 06/06/2025

Dimensione 1.44 MB
Formato Adobe PDF
1.44 MB Adobe PDF   Richiedi una copia

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/27001