Manutenzione predittiva di macchine utensili tramite reti neurali

Predictive maintenance of industrial machines is one of the main challenges of the new era of industry 4.0. Due to the ever-increasing versatility and ease of use of neural networks, data-driven approaches to predictive maintenance are becoming more and more widely used for the detection of symptoms of potential failures. The purpose of this thesis is to create a data-driven predictor based on neural networks capable of predicting the nominal absorption of current of the machine's actuators, in order to detect anomalies in the actual absorbed current. To this end, two algorithms have been created, both relying on residual analysis, the first one based on threshold analysis and the second one on the spectrum analysis. The results obtained, experimentally validated on a production machine, are more than satisfactory and demonstrate the feasibility of using neural networks in predictive maintenance of industrial machines.

La manutenzione predittiva dei macchinari industriali è una delle sfide principali della nuova era dell'industria 4.0. Grazie alla sempre maggiore versatilità e facilità di utilizzo delle reti neurali, gli approcci data-driven alla manutenzione predittiva stanno diventando sempre più largamente utilizzati per il rilevamento di sintomi di potenziali guasti. Lo scopo di questa tesi è di sviluppare un predittore data-driven basato sulle reti neurali capace di prevedere l'assorbimento nominale di corrente da parte degli attuatori della macchina, al fine di rilevare anomalie nella corrente effettivamente assorbita. A tale scopo sono stati creati due algoritmi, entrambi basati sull'analisi del residuo, il primo fondato su una analisi tramite soglie ed il secondo sull'analisi dello spettro. I risultati ottenuti, validati sperimentalmente su una macchina di lavorazione, sono più che soddisfacenti e provano la fattibilità dell'utilizzo delle reti neurali nella manutenzione predittiva di macchine utensili.