Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Metodi di statistical learning per la manutenzione predittiva |
|---|---|
| Titolo del progetto di ricerca in inglese | Statistical learning methods for predictive maintenance |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Electronic engineering |
| Campo principale della ricerca | Computer science |
| Sottocampo della ricerca | Informatics |
| Campo principale della ricerca | Mathematics |
| Sottocampo della ricerca | Statistics |
| Settore Concorsuale | 01 - Scienze matematiche e informatiche |
| S.S.D | INF/01 - INFORMATICA |
| Descrizione sintetica in italiano | Lo sviluppo di un sistema di manutenzione predittiva di prodotto o di un processo industriale per i quali è richiesto utilizzo di tecniche di “Data Mining” e “Big Data” e di modelli statistici con finalità predittive. L’efficienza di una linea di produzione può essere migliorata con la previsione di eventi di guasto e la valutazione dei tempi di arresto e costi connessi. In prima fase, i modelli statistici devono essere validati mediante tecniche di convalida incrociata. Segue una fase di validazione esterna in cui il modello viene impiegato nella previsione di eventi futuri. La fase di validazione esterna trae vantaggio dall’implementazione di un “Digital Twin”, un ambiente di simulazione in cui il processo di produzione viene replicato in maniera virtuale. Tra le metodologie più diffuse elenchiamo i modelli di regressione, gli alberi di regressione/classificazione, GAM, MARS, random forests, boosting, neural networks e modelli a classi latenti. |
| Descrizione sintetica in inglese | The objective of the research is the development of a predictive product maintenance system or an industrial process for which the use of "Data Mining" and "Big Data" techniques and statistical models with predictive purposes is required. The efficiency of a production line can be improved by predicting fault events and the consequent assessment of downtime and associated costs. In a first phase, the statistical models must be validated using cross-validation techniques. An external validation phase follows in which the model is used in forecasting future events. The external validation phase benefits from the implementation of a "Digital Twin", a simulation environment in which the production process is replicated in a virtual way. Among the most widespread methodologies we list regression models, regression / classification trees, GAM, MARS, random forests, boosting, neural networks and latent class models. |
| Data del bando | 20/09/2019 |
| Numero di assegnazioni per anno | 2 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
EUROPE |
| Sito web del bando | https://www.unisannio.it/it/amministrazione/albo-online/procedure/20190106 |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|
| Nome dell'Ente finanziatore | Università degli Studi del Sannio |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Benevento |
| Codice postale | 82100 |
| Indirizzo | Piazza Guerrazzi, 1 |
| Sito web | http://www.unisannio.it |
| sara.furno@unisannio.it | |
| Telefono | 0824305454 |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 21/10/2019 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |