Random forest as a machine learning method for failure prediction

Competition between companies playing in the same industry has been heavily growing over the last few years. One very basic and essential component affecting this competition is the company’s ability to reduce its costs while maintaining a high level of quality. In our modern computerized world, how can a company utilize the latest technology to decrease its production costs? Machine learning is a respectively new technique which can be used in order to accurately predict future machine failures. By doing so, the company will be able to schedule its maintenance operations in a manner built to comprehensively decrease its maintenance costs. This master thesis can be divided into two main parts: the theoretical part and the analytical part. In the first part, the main maintenance policies are discussed, followed by a deep insight into machine learning. After that, classification and regression trees are thoroughly analyzed, as well as their application in Matlab. At the end of the theoretical part, the random forest procedure is effectively explained, and its implementation in Matlab is investigated. Regarding, the second part of this paper, it is assigned to a case study in which the pre-described random forest method will be effectively implemented in order to predict the duration until future failures of a boiler in an Italian energy company.

La concorrenza tra aziende del medesimo settore sta crescendo pesantemente negli ultimi anni. L’abilità di un’azienda nel ridurre i costi mantenendo alta la qualità dei suoi prodotti è sicuramente il fattore determinante per vincere la concorrenza. In un mondo moderno e computerizzato come quello in cui stiamo vivendo, in che modo un’azienda può ridurre i suoi costi di produzione utilizzando le ultime tecnologie? Il Machine Learning è una tecnica nuova che può essere usata per predire in maniera accurata i guasti di un macchinario. In questo modo, un’azienda può schedulare gli interventi di manutenzione in modo tale da ridurre i costi di manutenzione. La tesi è divisa in due parti principali: una parte teorica e una analitica. Nella prima parte le diverse politiche di manutenzione vengono descritte e la tecnica del Machine Learning viene ampiamente discussa. Successivamente, gli alberi di classificazione e regressione sono analizzati e viene mostrata la loro applicazione in Matlab. Alla fine della parte teorica, la procedura chiamata Random Forest viene ampiamente spiegata e la sua applicazione in Matlab viene analizzata. Nella seconda parte della tesi, il metodo delle Random Forest viene applicato a un caso di studio, con l’obiettivo di predire tra quanto tempo una caldaia industriale di una compagnia italiana per la produzione di energia elettrica subirà il prossimo guasto.