Opportunities
Lavora con noi
Esplora le tesi disponibili, in corso e completate, e scopri le opportunità di collaborazione con IMP Research.
Sei uno studente di Ingegneria Gestionale o affine? Contattaci per ricevere ulteriori informazioni su queste proposte di tesi.
Formula sae — ottimizzazione delle operations e della supply chain per un team universitario
Il progetto propone un'analisi sperimentale dei processi operativi e della gestione della supply chain all'interno di un team Formula SAE. Lo studente approfondirà la pianificazione della produzione dei componenti del veicolo, la gestione dei fornitori e dei materiali, l'ottimizzazione dei flussi logistici e l'organizzazione del montaggio in pista. Saranno applicati metodologie di Lean Manufacturing, gestione magazzino e scheduling della produzione, con un focus concreto sull'impatto delle decisioni operations sulle prestazioni complessive del team.
Ottimizzazione delle strategie di manutenzione e dei parametri di customer service mediante machine learning
Sviluppo di modelli di Machine Learning e ottimizzazione per la gestione integrata di manutenzione e customer service. Attività previste: Ottimizzazione dei parametri di scheduling degli interventi manutentivi Allocazione ottimale delle risorse di supporto tecnico Minimizzazione dei tempi di fermo macchina e dei tempi di risposta al cliente Obiettivo: massimizzare la disponibilità degli impianti e la soddisfazione del cliente minimizzando i costi operativi.
Ottimizzazione multi-obiettivo dei parametri di supply chain: costi, livelli di servizio e resilienza
Applicazione di tecniche di ottimizzazione multi-obiettivo ai parametri chiave della supply chain. Attività previste: Costruzione di modelli di ottimizzazione (programmazione lineare, metaeuristiche, algoritmi genetici) Definizione della funzione obiettivo: bilanciamento costi operativi, livelli di servizio e resilienza del network Validazione su scenari reali o simulati Obiettivo: identificare configurazioni ottimali della rete di approvvigionamento e distribuzione.
Previsione dei consumi energetici di impianti ad aria compressa mediante machine learning
Sviluppo di modelli di Machine Learning per la previsione dei profili di consumo energetico di impianti ad aria compressa. Attività previste: Raccolta e analisi di dati reali di funzionamento (pressioni, portate, temperature, cicli di carico/scarico) Costruzione di modelli predittivi per stimare i consumi in funzione delle condizioni operative e di produzione Validazione sperimentale presso i laboratori UniFe Obiettivo: realizzare un sistema di previsione accurato a supporto di decisioni di efficientamento energetico.
Ottimizzazione energetica di impianti ad aria compressa tramite algoritmi di controllo intelligente
Sviluppo e validazione sperimentale di algoritmi di ottimizzazione per la gestione di impianti ad aria compressa presso i laboratori UniFe. Attività previste: Modellazione del sistema e dei componenti (compressori, buffer, linee di distribuzione) Implementazione di strategie di controllo ottimo: sequenziamento compressori, gestione buffer, modulazione portata Confronto con logiche di controllo tradizionali Obiettivo: minimizzare il consumo energetico specifico garantendo i livelli di servizio richiesti.
Predictive maintenance: previsione dei guasti e della remaining useful life mediante machine learning
Sviluppo di modelli di Machine Learning per la manutenzione predittiva. Attività previste: Analisi di dati di telemetria e storico guasti (vibrazioni, temperature, cicli di lavoro) Costruzione di modelli di classificazione e regressione per stimare la Remaining Useful Life (RUL) Definizione di soglie di allarme ottimizzate per ridurre falsi positivi Obiettivo: realizzare un sistema predittivo per anticipare i guasti e pianificare interventi mirati.
Previsione della domanda e ottimizzazione delle scorte nella supply chain mediante machine learning
Sviluppo di modelli di Machine Learning per la previsione della domanda e la gestione ottimale delle scorte in supply chain industriali. Attività previste: Raccolta e analisi di dati storici di vendite, lead time e stagionalità Sperimentazione di algoritmi di previsione (gradient boosting, reti neurali, modelli temporali) Valutazione dell'impatto su livelli di servizio, scorte di sicurezza e costi di gestione Obiettivo: costruire un sistema di previsione robusto per supportare decisioni di pianificazione operativa.
Hai un'idea di ricerca?
Se hai un'idea o un tema di ricerca sperimentale che ti appassiona, siamo pronti ad ascoltarti. Valuteremo insieme la fattibilità e ti affiancheremo nella realizzazione.
