Digital twin and machine learning in an Industry 4.0 approach to maintenance

The industry 4.0 scenario offers new ways for approaching the classical issues of the industrial world. The merging of the digital technologies with industry brings to consequences that still cannot be fully comprehended and appreciated. The precedent industrial era has already tackled with success many of the challenges that industry presents, with maintenance not being an exception to this fact. The new industrial context offers new outstanding resources that can contribute to the development of new tools and methods for maintenance. Actors like Internet of Things, digital twin and machine learning are going to play a role more and more relevant within the maintenance context and this thesis has been developed to help turning such outstanding available means in outstanding on field performances, aware of the huge efforts required for a successful transition to the digital domain. After having listed in detail these very promising driving forces, a novel cloud-based industry 4.0 approach to maintenance relying on digital twin and data driven resources is proposed. After the description of the main aspects of such approach two proof of concepts of specific parts of this system are proposed. The first one is the building of a digital twin of a refrigerator, capable of generating healthy and multi-class faulty data. Such generated data are then adopted to train a convolutional neural network which performs diagnostic analyzing and classifying the pictures built with the time signals produced by the virtual refrigerator. Such original tool constitutes the second and last proof of concept of the document.

Lo scenario dell’industria 4.0 offre nuovi modi per affrontare le classiche problematiche del mondo industriale. La fusione delle tecnologie digitale con l’industria porta a conseguenze che oggi non possono ancora essere comprese e apprezzate. La precedente era industriale ha già affrontato con successo molte delle sfide che l’industria presenta, con la manutenzione che non ha fatto eccezione a questa regola. Il nuovo contesto industriale offre nuove sensazionali risorse che possono contribuire allo sviluppo di nuovi strumenti e metodi manutentivi. Attori quali l’Internet of Things, il digital twin e il machine learning giocheranno un ruolo sempre più rilevante all’interno di tale contesto e questa tesi è stata ideata per aiutare questi mezzi straordinari a diventare delle prestazioni eccezionali sul campo, nella consapevolezza degli enormi sforzi richiesti per una migrazione di successo verso il mondo digitale. Dopo aver elencato in dettaglio queste promettenti tecnologie, è proposta una originale architettura basata sul cloud secondo il paradigma industria 4.0, la quale utilizza digital twin e tecniche data-driven per scopi manutentivi. Dopo la descrizione degli aspetti principali di tale approccio vengono fornite due proof of concept, inerenti specifiche parti di tale sistema. La prima è la costruzione del digital twin di una macchina frigorifera, capace di generare dati di funzionamento inerenti molteplici condizioni di guasto. Tali dati sono poi stati utilizzati per istruire una rete neurali convoluzionali, che esegue diagnosi dello stato macchino sulla base del riconoscimento di immagini costruite partendo dai segnali generati dalla macchina virtuale. Questo strumento originale costituisce la seconda e ultima proof of concept del documento.