Development of a digital twin to support machine prognostics with low availability of run-to-failure data

In recent years, traditional manufacturing industries are experiencing a tremendous shift motivated by the disruption of digital technologies within their factories. In such a technological landscape, a tool that paves the way to the cyber-physical integration is the Digital Twin (DT). This tool is meant as a virtual copy of the asset that through simulation can provide decision-making support. In this context, this thesis work aims to bring further insight into how the DT can underpin the development of condition-based maintenance (CBM). With this goal in mind, first, the work proposes a review of the state-of-the-art on this matter. It was seen that most publications about DT and CBM focused on the prognostic part of the DT, leaving aside the previous steps necessary to construct this particular type of CBM system. Furthermore, when estimating the remaining useful life (RUL), they rely on large historical datasets. The truth, however, is that run-to-failure datasets are not always available. These gaps in the literature serve to set the objective of the practical work: the development of a maintenance DT solution within a lab environment capable of coping with low or even null availability of run-to-failure data. The tool has been constructed in MATLAB/Simulink and merges the data coming from the machine's PLC with a vibration signal to derive the current and future state of the asset. To provide a more detailed explanation of the previous steps to the RUL estimation, the design process follows the framework described by the MIMOSA OSA-CBM standard (from data acquisition to advisory-generation). Regarding the RUL prediction approach, the DT includes a random coefficient model known as exponential degradation model that demonstrates to be a good choice when the availability of historical records is low. Furthermore, the tool is programmed in a way in which it can perform all the necessary computations next to the machine and without the need of the cloud. It acts, therefore, as a "watchdog agent" capable of computing an updated RUL prediction within seconds and providing support when time-critical decisions are required.

Negli ultimi anni, le industrie manifatturiere tradizionali stanno vivendo un enorme cambiamento motivato dall'integrazione delle tecnologie digitali all'interno delle loro fabbriche. In un tale panorama tecnologico, uno strumento che apre la strada all'integrazione cyber-fisica è il Digital Twin (DT). Questo strumento è inteso come una copia virtuale dell'asset che attraverso la simulazione può fornire un supporto decisionale. In questo contesto, questo lavoro di tesi mira a portare ulteriori informazioni su come il DT può sostenere lo sviluppo della manutenzione basata sulle condizioni (CBM). Con questo obiettivo in mente, in primo luogo, il lavoro propone una revisione dello stato dell'arte in materia. Si è visto che la maggior parte delle pubblicazioni su DT e CBM si è concentrata sulla parte prognostica del DT, lasciando da parte i passi precedenti necessari per costruire questo particolare tipo di sistema CBM. Inoltre, nella stima della vita utile residua (RUL), si basano su grandi serie di dati storici. La verità, tuttavia, è che i set di dati run-to-failure non sono sempre disponibili. Queste lacune nella letteratura servono a fissare l'obiettivo del lavoro pratico: lo sviluppo di una soluzione di manutenzione DT all'interno di un ambiente di laboratorio in grado di far fronte alla scarsa o addirittura nulla disponibilità di dati run-to-failure. Lo strumento è stato costruito in MATLAB/Simulink e fonde i dati provenienti dal PLC della macchina con un segnale di vibrazione per ricavare lo stato attuale e futuro dell'asset. Per fornire una spiegazione più dettagliata dei passaggi precedenti alla stima del RUL, il processo di progettazione segue il framework descritto dallo standard MIMOSA OSA-CBM (dall'acquisizione dei dati alla generazione di consulenza). Per quanto riguarda l'approccio predittivo RUL, il DT include un modello di coefficiente casuale noto come modello di degradazione esponenziale che dimostra di essere una buona scelta quando la disponibilità di record storici è bassa. Inoltre, lo strumento è programmato in modo tale da poter eseguire tutti i calcoli necessari a fianco della macchina e senza la necessità del cloud. Agisce, quindi, come un "watchdog agent" in grado di calcolare una previsione aggiornata delle RUL in pochi secondi e di fornire supporto quando sono necessarie decisioni critiche in termini di tempo.