Predictive maintenance system for die-cast aluminium processes

Maintenance is a fundamental step in every industrial work cycle. Machineries needs to be stopped and checked to maintain a satisfactory production quality and to avoid safety hazards for operators and plant. Different kind of maintenance procedure can be applied: Run-To-Failure, Preventive and Predictive approaches. The first is based on the use of a machinery till the breakage and the second till the end of its lifespan, as stated by the manufacturer. Predictive maintenance approach takes advantage of the increased efficiency of Machine Learning algorithms and the improved computational capabilities of cloud computing, to asses the remaining life of components and to schedule the maintenance accordingly. This approach can increase the overall plant productivity, reducing the maintenance costs and the downtime needed to check or change malfunctioning parts. One of the most important drawback of this approach is that it requires a constant monitoring of the system to determine if a process is in nominal state or if it shows anomalous signals, so an elevated number of data needs to be stored. The aim of this thesis is to create a Predictive Maintenance architecture that detects the incipience of faults, but selects only the useful data that adds additional knowledge to the Machine Learning algorithm, discarding the others. In addition, the aforementioned system is characterized by wireless intelligent nodes, that are used to make easier the sensor positioning inside the industrial plant and to scatter the AI for pre-processing purposes and data-analysis. In order to carry out the testing phase, a test bench was created to simulate different faults that may happen in industrial environment, with particular attention to the die-cast aluminium processes, but without losing sight of the flexibility and scalability of the architecture with respects to other machineries. We created a kinematic chain made by a small electric motor, joints and a transmission composed by belt and pulleys to transfer the torque of the engine to a resistive load and simulate an industrial machinery. It was also installed a water cooling system to better represent the aluminium die-cast process in analysis. On this test bench different sensors were applied to record the status of the system. The extracted data were pre-processed with ad-hoc developed software to retrieve meaningful synthetic parameters on which apply the predictive algorithms. An architecture made by smart nodes, connected with a wireless interface, was created. Two different layers of intelligence were integrated in the system: each node was realized to have a sensor interfaced with a local intelligent algorithm while a high-level AI was shaped to supervise all the nodes. The effectiveness and the prediction capabilities of the AI were proven with different fault simulations specifically chosen to test the drift of the system from the nominal situation.

In ambito industriale, la manutenzione è una fase fondamentale di ogni ciclo di lavoro. I macchinari devono essere fermati e controllati per mantenere la produzione a un livello di qualità soddisfacente e per evitare pericoli alla sicurezza degli operatori e dell'impianto. Diversi tipi di procedure di manutenzione possono essere applicate su un impianto produttivo: cambio al guasto, manutenzione preventiva e manutenzione predittiva. Il primo tipo di approccio è basato sull'uso del macchinario fino alla sua rottura, mentre il secondo fino alla fine della sua vita utile, come indicato dalle specifiche del produttore; infine, la manutenzione predittiva trae vantaggio dalla migliorata efficienza degli algoritmi di apprendimento automatico e dalle capacità di elaborazione del cloud computing, per stabilire la vita rimanente dei componenti e per programmare di conseguenza la manutenzione. Questo tipo di approccio può aumentare la produttività dell'impianto, riducendo i costi di riparazione e il tempo di fermo macchina necessario per controllare e cambiare le parti danneggiate. Uno dei difetti di questo approccio, tuttavia, è che richiede un monitoraggio costante del sistema per determinare se il suo stato è nominale o se mostra segnali anomali, pertanto è necessario immagazzinare un numero elevato di dati. L'obiettivo di questa tesi è quello di creare un'architettura di manutenzione predittiva che rilevi il guasto prima del suo manifestarsi, ma che selezioni solo i dati utili, scartando gli altri, affinché l'algoritmo di apprendimento automatico possa ottenere una migliore conoscenza dello stato del macchinario. Il sistema appena menzionato è, in aggiunta, caratterizzato da nodi intelligenti collegati tra loro da una rete senza fili, usati per rendere più semplice il posizionamento dei sensori nell'impianto e, inoltre, per distribuire l'intelligenza artificiale allo scopo di pre-elaborare i dati e analizzarli in loco. Per la fase di sperimentazione è stato creato un banco di prova, in modo da simulare diversi tipi di guasti che possono capitare in ambiente industriale, con particolare attenzione a quello relativo alla presso-fusione dell'alluminio. In ogni caso, non sono mai state perse di vista le proprietà di modularità e scalabilità dell'architettura, in modo tale da poter applicare il presente sistema ad altre tipologie di processi. Abbiamo creato una catena cinematica composta da un piccolo motore elettrico, giunti e una trasmissione (cinghia e pulegge) per trasmettere la coppia del motore a un carico variabile, al fine di simulare un macchinario industriale. Si è deciso di utilizzare anche un sistema di raffreddamento liquido per meglio rappresentare il processo di pressofusione per l'alluminio in esame. Diversi sensori sono stati applicati sul banco di prova per registrare lo stato del sistema. Sono stati creati dei software appositi per l'elaborazione dei dati e per l'estrazione di parametri sintetici sui quali applicare gli algoritmi predittivi; sono stati creati, inoltre, dei software specifici per la comunicazione wireless della rete di nodi intelligenti. Due strati di algoritmi di intelligenza artificiale sono stati integrati nel sistema: il primo distribuito a livello di nodo, al fine di verificare se i dati aggiungono nuove informazioni rispetto allo stato nominale del singolo sensore; mentre il secondo creato per supervisionare l'intero macchinario. Sono stati eseguiti diversi test specifici atti a rilevare la deriva del sistema rispetto allo stato nominale, per provare l'efficacia e le capacità predittive dell'architettura complessiva.