A framework for CBM implementation : from data acquisition to decision-making

Over the last years, the considerable progress made in the field of digital technologies paved the way for a new paradigm in the manufacturing industry, the so-called Industry 4.0 (or fourth industrial revolution). Key enablers for this paradigm are information and communication technologies such as Internet of Things (IoT), smart sensors, and Cyber-Physical Systems (CPS), which, combined with Big Data Analytics techniques, open the way for real-time monitoring and synchronization of the real-world activities to the virtual space. In today’s global competitive marketplace, this is fundamental for achieving continuous reduction and elimination of costly and unscheduled downtime, as well as unexpected breakdowns. The maintenance strategy that involves monitoring the status and conditions of equipment is known as Condition-Based Maintenance (CBM), which, thanks to its effectiveness, finds itself in the centre of the maintenance-related paradigm shift that has been characterizing the last decade: namely, the shift from traditional to smart maintenance. Despite the numerous applications of CBM in literature, what seems to be missing is a framework that supports the implementation of CBM by providing detailed guidelines on the activities to perform, the challenges that might arise in the process, and the possible countermeasures to face them. The aim of this thesis work is to propose a framework that is able to fill the above-mentioned research gap with the peculiarity of focusing on Machine Learning for performing diagnostics, as it represents a new category of techniques able to provide superior results as compared to traditional approaches. The applicability and effectiveness of the proposed framework were tested in the practical context of Industry 4.0 Lab of Politecnico di Milano, where the provided guidelines allowed for a successful implementation of CBM on the automated assembly line with which the research laboratory is equipped. Possible future developments involve the extension of the framework scope, which is currently limited to diagnostics, to prognostics with the purpose of exploiting the full potential of condition monitoring in the field of maintenance.

Il forte progresso nel campo delle tecnologie digitali che ha caratterizzato gli ultimi anni ha posto le fondamenta per un nuovo paradigma nel settore industriale, l’Industria 4.0 (o Quarta Rivoluzione Industriale). Tra le tecnologie che hanno reso possibile l’avvento di tale paradigma è possibile annoverare Tecnologie dell'Informazione e della Comunicazione (ICT) come l’Internet delle Cose (IoT), i sensori smart e i sistemi ciberfisici che, in combinazione con tecniche di analisi dei cosiddetti Big Data ha aperto le porte al monitoraggio in tempo reale e alla sincronizzazione delle attività compiute nel mondo fisico con il mondo virtuale. Questo è un risultato è fondamentale in un mercato competitivo come quello odierno, dove una continua riduzione ed eliminazione dei tempi di fermo non previsti, così come dei guasti, è sempre più importante. La strategia di manutenzione che consiste nel monitoraggio dello stato e delle condizioni di un asset è nota come Manutenzione Secondo Condizione (CBM). Questa, grazie alla sua efficacia, si trova al centro di un cambio di paradigma che nell’ultimo decennio ha caratterizzato il settore della manutenzione: il passaggio dalla manutenzione tradizionale a quella “smart”. Nonostante le numerose applicazioni di CBM che è possibile trovare in letteratura, ciò che sembra mancare è un framework che supporti l’implementazione della CBM fornendo delle linee guida precise e dettagliate che sappiano fornire direttive riguardo alle attività da compiere, alle difficoltà che potrebbero sorgere durante il processo di implementazione, e alle possibili contromisure con cui contrastare tali difficoltà. L’obiettivo di questo lavoro di tesi è proporre un framework che sappia colmare le sopracitate lacune presenti in letteratura, con un focus specifico sulle tecniche di Machine Learning in fase di diagnostica, in quanto superiori nei risultati rispetto agli approcci tradizionali. L’applicabilità e l’efficacia del framework proposto sono state testate nel contesto pratico dell’Industry 4.0 Lab, laboratorio di ricerca del Politecnico di Milano, dove le linee guida fornite hanno permesso di implementare con successo la CBM sulla linea di assemblaggio automatica di cui è munito il suddetto laboratorio. Tra i possibili sviluppi futuri è presente l’estensione del framework proposto, attualmente posto unicamente sulla diagnostica, alla prognostica, con lo scopo di sfruttare al massimo il potenziale del monitoraggio delle condizioni nell’ambito della manutenzione.