The use of general machine learning algorithms for industrial applications

The aim of this thesis is to develop general machine learning algorithms able to classify rotating mechanical products. These processing techniques have been used because allow to have high generality. This characteristic is due to the fact that the signals processing techniques can be applied, without any problems, in different application fields (audio signals, mechanical engineering, seismology etc.). According to this, it is possible to state that also a huge number of different products are the objects of study of these processing techniques. The characteristic that allows these techniques to be general consists in the fact that similar and different objects of study are similarly studied. In details, this thesis is focused on the study of the series 265 gearmotors by Componenti Vending and the series 4 Bosch dishwasher assembled by Rold Gruppo. For what concerns the first case study, the algorithms are implemented in order to provide a new classification technique, with respect the one implemented by Componenti based on acoustic signals, that exploits vibrational signals able to classify the gearmotors between noisy and good at the end of the assembly lines. For the second case study, the algorithms are implemented in order to distinguish between the normal and the erroneous operating conditions of the dishwasher spray arms. Initially, the work conducted in this thesis was focused on the acquisition of the vibrational signals of both the products. Secondly, the focus has been shifted towards the development of the algorithms. These are based on the use of different signal processing techniques plus an outlier detection method if needed. More precisely, the signal processing techniques and the outlier detection method analysed are the auto regressive model (AR), the principal component analysis (PCA), the neural network (NN) and the Mahalanobis distance (MD). The obtained results are discussed and compared, in terms of response time and accuracy values, in order to find the best general solution for industrial applications.

Lo scopo di questa tesi è quello di sviluppare algoritmi generali di apprendimento automatico in grado di classificare prodotti meccanici rotanti. Queste tecniche di elaborazione sono state utilizzate perché consentono di avere un'elevata generalità. Questa caratteristica è dovuta dal fatto che le tecniche di elaborazione dei segnali possono essere sfruttate in diversi campi di applicazione (segnali audio, ingegneria meccanica, sismologia, ecc.). La caratteristica che consente a queste tecniche di essere generali consiste nel fatto che è possibile studiare allo stesso modo oggetti analoghi e diversi oggetti. Nel dettaglio, questa tesi è incentrata sullo studio dei motoriduttori serie 265 da parte di Componenti Vending e della lavastoviglie Bosch serie 4 assemblata da Rold Gruppo. Per quanto riguarda il primo caso studio, gli algoritmi sono implementati per fornire una nuova tecnica di classificazione, rispetto a quella implementata da Componenti basata su segnali acustici. In particolare, sfruttando segnali vibrazionali si vogliono classificare i motoriduttori tra rumorosi e non rumorosi alla fine delle linee di assemblaggio. Per il secondo caso studio, gli algoritmi sono implementati al fine di distinguere tra condizioni operative normali ed errate delle giranti della lavastoviglie. Inizialmente, il lavoro condotto in questa tesi era focalizzato sull'acquisizione dei segnali di vibrazione di entrambi i prodotti. In secondo luogo, l'attenzione è stata spostata verso lo sviluppo degli algoritmi. Questi sono basati sull'uso di diverse tecniche di elaborazione del segnale oltre ad un metodo di rilevamento di valori anomali (outlier). Più precisamente, le tecniche di elaborazione del segnale e il metodo di rilevamento di outlier analizzati sono il modello auto regressivo (AR), l'analisi delle componenti principali (PCA), la reti neurali (NN) e la distanza Mahalanobis (MD). I risultati ottenuti sono discussi e confrontati, in termini di tempi di risposta e valori di accuratezza, al fine di trovare la migliore soluzione generale per applicazioni industriali.