On line monitoring of energy consumption : machine learning for state identification

Manufacturing industries are increasingly demanded to control and reduce their impact in term of energy consumption. Complex chip removal machining centers are object of study to assess their energetic behavior. Nowadays, machining centers are usually equipped with power meters and sensors that permit to collect data. Industrial interest is pointed to develop devices able to automatically assess machine tool efficiency during production. The problem is related to how collected data can be used for this purpose. On line monitoring activity allows to visualize and store measured data, but further analysis is required to draw conclusions about machine energetic behavior. A starting point is to understand what the machine is doing such that the energetic state of the machine is detected. This thesis investigates the state identification problem in the context of machine tool energy consumption. The proposed methodology involves the use of Machine Learning Algorithms (MLA) where input data are given from monitoring, e. g. spindle power absorption. In particular, Neural Network, Support Vector Machines and k-Nearest Neighbor algorithms are selected and compared in terms of number of incorrectly classified points and computational time. Real data acquired from industrial environment are used in the numerical analysis. In the presented experiments, the information about which tool type is used is included and this information is significantly affecting MLA performance. A proper training of MLA is needed and guidelines for industrial application of the methodology are presented in the conclusion of this work: suggestions and considerations to perform a proper acquisition during training phase are reported relying on the experimental case results.

L’industria manufatturiera è sempre più sfidata dalla crescente richiesta di controllare e ridurre il proprio impatto in termini di energia consumata. Complessi centri di lavoro per asportazione di truciolo sono oggetti di studio per valutarne il comportamento energetico. Oggigiorno, i centri di lavoro sono equipaggiati di sensori di potenza e altri sensori che permettono di raccogliere dati. L’interesse industriale è focalizzato sullo sviluppo di strumenti in grado di valutare automaticamente l’efficienza delle machine utensili durante la produzione. Il problema è legato a come i dati raccolti possono essere usati per questo scopo. Il monitoraggio on line permette di visualizzare ed immagazzinare i dati misurati, tuttavia, ulteriori analisi sono richieste per trarre delle conclusioni sul comportamento energetico della macchina. Un punto di partenza è quello di comprendere quale lavorazione la macchina stia facendo, in modo che lo stato energetico della macchina sia identificato. Questa tesi investiga il problema dell’identificazione a stati nel contesto dell’energia consumata dalle macchine utensili. La metodologia proposta coinvolge algoritmi di Machine Learning (ML) dove i dati in input sono forniti dal monitoraggio, ad esempio la potenza assorbita dal mandrino. In particolare, algoritmi di reti neurali, Support Vector Machines e k-Nearest Neighbor sono selezionati e comparati in termini di numero di punti non correttamente classificati e di tempo computazionale. Per le analisi numeriche vengono usati dati reali, acquisiti da un ambiente industriale. Negli esperimenti presentati, l’informazione del tipo di utensile utilizzato è inclusa e questa informazione influenza positivamente le performance degli algoritmi di ML. Un adeguato addestramento degli algoritmi di ML è necessario e delle linee guida per l’applicazione industriale della metodologia sono presentate nella conclusione di questo lavoro: sono riportate considerazioni e suggerimenti per un’adeguata acquisizione durante la fase di addestramento basandosi sui risultati del caso sperimentale.