Optimal maintenance policy using association rules and Markov chains

Among the different techniques for the optimization of the Management of Production Systems, Predictive Maintenance has shown great interest both at academic and industrial level. The reason of that stays in two factors. The first one is related to the recent socio-economical developments that ask companies to find new ways to minimize systems' downtimes, increasing Availability. The second reasons is connected to the Digitalization process that is investing our society, including manufacturing systems, and to the incredible opportunities that new technologies make available. In other words, the opportunity to gather big volumes of Data, elaborate them and automatize the decision process, are key factors for the development of optimal predictive maintenance policies. In particular, Data modeling for Diagnosis and Prognosis represents the main research line in this field. The current state of the art proposes the application of Machine Learning algorithms, in particular the ANN, to generate predictive models for the future asset states. These techniques have the advantage of being precise in the prediction and "easy" to train, but the disadvantage of creating "Black-Box" models with low Interpretaility. In these cases, the relationships among Inputs and Outputs are not clear. In this way, there is no control on the processes that take place in the system and their optimization is not possible. This thesis focuses on the creation of data-driven analytical predictive models. The methodology to achieve this goal is based on the joint utilization of two techniques: in the first phase, an algorithm of Data Analysis will be used to extract new knowledge, then, these novel informations will be modeled with proper analytical techniques to generate a high controllable model. From Literature Review, the most promising combination is represented by Association Rules and Markov Chains. For the practical implementation of this approach, the case study of Industry 4.0 Lab in Politecnico di Milano is considered. The Research Methodology consists in four passages: the choice of the signals characterizing the states of the asset; Cause-Effect Analysis using Association Rules; the creation of a Markov Chain modeling the Failure Mechanisms; the creation of an user-friendly dashboard for the decision making process about the predictive maintenance policy maximizing Availability. The final results show that the joint use of Association Rules and Markov Chains is possible and leads to relevant improvements in terms of Availability with respect to the "classical" approach based on ANN. Finally, some interesting future opportunities exist for the generated model in terms of integration with other industrial function such as, for example, Spare Parts Management.

Tra le varie tecniche per l'ottimizzazione della gestione dei sistemi di produzione, la Manutenzione Predittiva e' una di quelle che negli ultimi anni ha destato grande interesse sia a livello accademico che industriale. La ragione di cio' e' da ricercarsi in due fattori. Il primo e' legato ai recenti sviluppi socio-economici a livello mondiale che spingono sempre piu' le aziende a cercare di minimizzare i fermi macchina e, quindi, ad aumentare la disponibilita' dei propri sistemi. Il secondo deriva dal processo di Digitalizzazione che sta investendo la nostra societa', compreso l'ambito manifatturiero, e dalle incredibili opportunita' che esso ci offre. In altre parole la possibilita' di raccogliere grandi moli di dati, di elaborarli e di fare in modo che il processo decisionale sia automatico, sono fattori che mostrano grandi potenzialita' per lo sviluppo di politiche manutentive predittive ottimali e integrate. In particolare, il processo di modellazione dei dati per la fase di Diagnosi e Prognosi rappresenta la principale linea di ricerca in questo ambito. L'attuale stato dell'arte propone in tal senso l'applicazione di algoritmi di Machine Learning, in particolare le ANN, per la creazione di modelli predittivi dei futuri stati macchina. Queste tecniche hanno il vantaggio di essere precise nella predizione e facili da addestrare, ma lo svantaggio di creare modelli Black-Box "a bassa interpretabilita'", in cui le relazioni tra Input ed Output risultano non chiare. In questo modo c'e' controllo sui processi che avvengono nel sistema e la loro ottimizzazione non e' possibile. Questa tesi si concentra sulla creazione di modelli predittivi analitici partendo dai dati. La metodologia per raggiungere questo scopo e' basata sull'utilizzo combinato di due tecniche: in una prima fase, un algoritmo di Data Analysis verra' utilizzato per l'estrazione di nuova conoscenza e, successivamente, questa nuova conoscenza verra' modellata con opportune tecniche analitiche per genere un modello ad alta controllabilita'. Dall'analisi della letteratura, la combinazione piu' promettente e innovativa e' rappresentata dalle Association Rules per la parte di Data Analysis, e Markov Chains per la Modellazione di Sistema. Per la realizzazione pratica di questo approccio viene preso come caso di studio il Laboratorio Industria 4.0 del Politecnico di Milano e i suoi macchinari. La procedura prevede quattro fasi: la scelta dei segnali caratterizzanti i diversi stati della macchina; l'analisi Causa-Effetto, basata sulle Association Rules, dei passaggi di stato dei vari componenti della macchina; la creazione di una Markov Chains per la valutazione analitica della Disponibilita'; la generazione di uno strumento "user-friendly" per semplificare la fase di Decision Making e determinare la politica predittiva che massimizza la Disponibilita'. I risultati mostrano che l'uso integrato di Association Rules e Markov Chains e' possibile e porta ad importanti risultati in termini di miglioramento delle performance: rispetto al tradizionale approccio basato sulle ANN, si registra un aumento di Disponibilita'. Inoltre, la soluzione propone interessanti opportunita' di sviluppi futuri per quanto riguarda l'integrazione del modello con altre funzioni aziendali come, ad esempio, la gestione delle Spare Parts.