A data–driven predictive model for tyre maintenance

Nowadays, an increasing number of companies become aware of the fact that the great number of digital data produced every year could be used as a resource to transform their business. In this direction the new industry 4.0 was born, which is a new paradigm to perceive the industry and its products, mainly thanks to the introduction of Infomation Technology, leading to a series of changes in the process of production and in the relations–interaction between human and machines. This revolution was possible thanks to the development of new techniques that transform data into information. The main goal of the Cyber Fleet project, developed by the well known tyre’s manufacturer Pirelli, it is to extrapolate from a series of data (pressure, temperature and mileage), obtained from the sensors mounted on truck tyres, models able to improve the safety of vehicles and optimize fuel consumption. In particular, our thesis proposes a data–driven approach to build a model able to predict the future trend of deflation of the tyres in order to allow a better planning of the truck maintenance. This predictive model in fact, as well as minimizing the days of inactivity due to inflating stops, allows an optimization of the fuel consumption. An experimental campaign has been carried out on real–world data, to assess the quality of the considered predictive models, provides empirical evidence that the proposed methodology can be effectively used in such an applicative scenario.

Sempre più aziende hanno preso consapevolezza riguardo l’ingente numero di dati digitali che generano ogni anno, i quali possono diventare una risorsa utile per trasformare il proprio business. In questa direzione, si sta sviluppando la cosiddetta industria 4.0, un nuovo paradigma di concepire l’industria e i suoi prodotti grazie all’introduzione dell’Information Technology, portando a una serie di cambiamenti nei processi produttivi e nei rapporti–interazioni tra uomo e macchine. La base di questa rivoluzione è da attribuirsi in gran parte allo sviluppo di nuove tecniche di trasformazione dei dati in informazioni. L’obiettivo che si pone il progetto Cyber Fleet, sviluppato dalla nota casa produttrice di pneumatici Pirelli, è propio quello di estrapolare da una serie di dati (pressione, temperatura e distanza percorsa in miglia), ottenuti da dei sensori montati sugli pneumatici dei camion, dei modelli in grado di migliorare la sicurezza dei veicoli e ottimizzare il consumo di carburante. In particolare, la nostra tesi proporrà un approccio data–driven per la costruzione di un modello in grado di predirre l’andamento futuro dello sgonfiamento dei pneumatici, in modo da permettere una migliore pianificazione degli interventi di manutenzione dei camion. L’approccio scelto per la costruzione del modello si basa sull’applicazione della legge dei gas ideali per la descrizione del comportamento della pressione all’interno dello pneumatico. Infatti, l’aria presente all’interno degli pneumatici è sottoposta a una naturale fuoriuscita dovuta alla permeabilità dello pneumatico, dipendente dall’usura e dall’invecchiamento di esso. Questa fuoriuscita d’aria provoca una diminuzione della pressione nel tempo, influenzata, inoltre, da altri fattori, quali temperatura ambiente e dello pneumatico, che per semplificare il problema saranno assunte constanti. Prima di dare una breve descrizione dei vari modelli sviluppati all’interno della tesi, vorremmo sottolineare che, i dati forniti dai sensori devono essere pre–processati per eliminare possibili errori di lettura e altri problemi che potrebbero inficiare la fase di apprendimento del modello, ad esempio outlier, stuck–at fault e buchi temporali. In particolare, essendo interessati al decadimento della pressione secondo la legge dei gas ideali, è indispensabile organizzare i dati in serie continue di campioni che presentino un andamento decrescente. Per questa ragione, la fase principale del pre–processing dei dati è l’identificazione di sequenze di misurazioni in cui non sia stato effettuato un rigonfiamento, chiamato stint. Gli stint così identificati verranno processati per ottenere un unico modello di sgonfiamento per ogni pneumatico.I modelli considerati nella tesi sono di tipo esponenziale ma tenendo conto delle assunzioni sopra citate e grazie ad alcune proprietà matematiche, è possibile ottenerne una versione lineare riconducendo il problema alla teoria della regressione lineare, una delle teorie descritte in una branca di intelligenza artificiale, chiamata Machine Learning. Sono state sviluppate due famiglie di modelli: modelli nel tempo e modelli nelle miglia. Per quanto riguarda i primi, l’addestramento del decrescita della pressione è effettuato in funzione del tempo, il risultato perciò consiste nella predizione dei giorni rimanenti prima della sosta per il rigonfiaggio. La seconda famiglia di modelli, invece, è addestrata in funzione delle miglia percorse, il risultato è quindi una predizione in miglia rimanenti al gonfiaggio. Ciononostante, entrambe le famiglie di modelli permettono di ottenere la predizione in miglia, per il modello in tempo, e in giorni, per il modello in miglia, trasformando la predizione nativa grazie all’assunzione che la velocità media del camion sia costante. Inoltre, si è scelto di seguire due approcci durante lo sviluppo dei modelli: il primo si presta ad addestrare il modello seguendo un approccio frequentista che si avvale del metodo dei minimi quadrati, il secondo utilizza un approccio Bayesiano usando una regressione lineare Bayesiana. Per quanto riguarda i risultati sulla bontà dei modelli, sono state definite delle metriche le quali ci forniscono delle informazioni sulle proprietà fondamentali delle predizioni come: precisione nell’identificazione della sosta per rigonfiaggio e stabilità nella predizione, priva di fluttuazioni indesiderate. Dall’analisi di queste metriche è stato possibile constatare come il modello con le migliori prestazioni è il modello addestrato con approccio Bayesiano nelle miglia, il quale riesce a dimezzare gli errori commessi dagli altri modelli.