A data analytics procedure for the control of manufacturing assembly systems

The establishment of complex ICT architectures and of the Internet of Things (IoT), namely the capability of connecting several physical systems through the network, have brought to extremely powerful data collection possibilities. Enterprises, supported by subsidies linked to Industry 4.0, are gathering databases of millions of gigabytes too: the so-called Industrial Big Data. Despite the technical and economic effort required to achieve this goal, the potential contained in databases is often partially exploited, especially focusing on the manufacturing field. There are several root causes of this paradox, but the crucial one is the absence of a well-established Industrial Big Data Analytics procedure, able to face an almost always redundant volume of collected information to obtain tangible added value. This issue results particularly deeply-rooted in assembly departments where, in contrast to machining ones, data are collected for quality monitoring only and no real time dynamic models (e.g. for Condition Based Maintenance, CBM) are exploited. This phenomenon is justified by the physics of the process, namely the absence of a systematic wear mechanism. Nevertheless, the availability of large databases related to manufacturing assembly processes induces to a deepened analysis on the potential possibilities achievable from them. In particular, this work aims to define a rigorous and standardized procedure of Industrial Big Data analysis that can help an analyst in choosing the optimal path to extract tangible information from available raw data. Research effort is focused on the adaptation of a general procedure of Knowledge Discovery in Database (KDD), a popular tool used to gather hidden knowledge from Big Data, to a mechanical manufacturing assembly process and on the definition of criteria to select the best data analysis algorithms for the considered field of application. K – means, K – Nearest Neighbor (KNN) and Autoregressive Integrated Moving Average (ARIMA) models will be applied and validated through the application on a real industrial case. Moreover, a Decision Support System (DSS) will be discussed as a possible industrialization of proposed methodology.

L’affermarsi di complesse architetture ICT e della possibilità di interconnettere differenti elementi fisici tramite la rete, l’Internet of Things (IoT), hanno portato ad una capacità di raccolta dati impensabile fino a pochi anni orsono. Le aziende, spinte anche dagli incentivi legati all’Industry 4.0, hanno accumulato databases dell’ordine di milioni di gigabytes: i cosiddetti Industrial Big Data. Nonostante lo sforzo economico e tecnico richiesto per raggiungere tale scopo, il potenziale posseduto dai dati raccolti è spesso sfruttato solo parzialmente e il fenomeno è particolarmente grave nel settore manifatturiero. Le ragioni di questo paradosso sono molteplici, ma quella cruciale è l’assenza di una consolidata procedura di Big Data Analytics, in grado di trasformare una mole spesso eccessiva di informazioni grezze in concreto valore aggiunto. Nello specifico, l’assemblaggio si presenta come ulteriormente debole rispetto alla lavorazione meccanica, in quanto manca di un background consistente di modellazione dei dati (ad esempio per eseguire Condition Based Maintenance, CBM). Ciò è dovuto alla natura del processo di assemblaggio, dove manca un meccanismo di usura sistematico tra utensile e pezzo. Tuttavia, la disponibilità di dati sui sistemi di assemblaggio induce ad una approfondita analisi sulle possibilità che essi possano fornire. In particolare, il lavoro proposto punta a definire una rigorosa procedura di analisi per Industrial Big Data che possa aiutare l’analista ad estrarre conoscenza utile seguendo un preciso percorso logico. Il principale sforzo della ricerca si concentra sull’adattamento di una procedura di Knowledge Discovery in Database (KDD), un popolare strumento usato per estrarre conoscenza potenzialmente nascosta all’interno dei Big Data, alla natura del processo di assemblaggio manifatturiero ed alla definizione di criteri e linee guida che possano indicare gli algoritmi più appropriati, in funzione dell’applicazione studiata. I dati verranno analizzati tramite gli algoritmi di K – means, K – Nearest Neighbour (KNN) ed Autoregressive Integrated Moving Average (ARIMA). La procedura proposta verrà validata all’interno di un ambiente industriale reale e un Decision Support System (DSS) verrà proposto come possibile sua industrializzazione.