On-line algorithms for energy efficient control of machine tools : a step towards practical implementation

Over the last decade, the benefits of adopting sustainable solutions in manufacturing have gained an increasing global recognition. Specifically, the control of machine states is one of the most promising measure to pursue energy efficient operation. Based on service request, state control aims at minimizing the energy consumed during idle periods by properly switching off/on the machine tool. The selection of the optimal control is not trivial, since manufacturing systems are subject to several source of randomness, difficult to model a priori. However, most of the policies from literature assume the stochastic processes involved in the control problem to be known. Their practical implementation therefore requires a burdensome experimental campaign to fit the random variable distributions. This work provides an on-line time-based policy able to effectively control the machine state, while learning from a real time collection of part arrivals. Considering that a startup transitory is required to resume operational readiness, an efficient solving algorithm is developed to exactly identify trade-off solutions, which improve machine sustainability while keeping its throughput high. Moreover, since the policy is optimized based on expectations, a measure is presented to mitigate the risk of deteriorating machine performance over the single service request. Finally, a change point detection method is introduced to handle a non-stationary arrival process. In this way, the control can be autonomously adapted to the dynamic behavior of the upstream portion of the system, thus overcoming a critical barrier for practical implementation. The benefits of the proposed algorithms are assessed by means of realistic numerical cases. Besides the scientific results, this policy can be applied to a wide range of production cases, being tunable according to the user needs, adaptive to the changes of a real manufacturing environment, lightweight and highly autonomous.

Nell’ultimo decennio, i benefici derivanti dall'adozione di soluzioni sostenibili nel settore manifatturiero sono stati progressivamente riconosciuti a livello globale. In particolare, una delle soluzioni più promettenti per ridurre il consumo energetico di una macchina utensile è il controllo dei suoi stati. Spegnere e riaccendere opportunamente la macchina sulla base delle richieste di servizio permette infatti di minimizzare l’energia assorbita durante i periodi di inattività. La selezione di un controllo ottimale non è semplice, in quanto i sistemi produttivi sono caratterizzati da diverse fonti di casualità, difficili da modellare a priori. Tuttavia, la maggior parte delle politiche in letteratura considera noti i processi stocastici coinvolti nel problema di controllo. La loro implementazione pratica richiede quindi un’onerosa campagna sperimentale per riconoscere le distribuzioni delle variabili casuali. Questo lavoro fornisce una politica di controllo online e basata su variabili temporali, in grado di gestire lo stato della macchina imparando dai dati relativi all’arrivo delle parti, acquisiti in tempo reale dal sistema. Dal momento che, una volta spenta la macchina, è necessario un transitorio di accensione per ristabilirne l’operatività, un efficiente algoritmo risolutivo è sviluppato per identificare esattamente delle soluzioni di compromesso, che permettano il miglioramento della sostenibilità senza danneggiare la produttività. Inoltre, dato che la politica è ottimizzata sulla base di valori attesi, una misura è presentata per mitigare il rischio di deteriorare le prestazioni della macchina nella singola richiesta di servizio. Infine, una metodologia di individuazione dei punti di cambio è introdotta per gestire una successione di arrivi non stazionaria. In questo modo, il controllo può essere adattato autonomamente al comportamento dinamico del processo produttivo a monte, superando così un ostacolo critico per l’implementazione pratica. I benefici forniti dagli algoritmi proposti sono valutati per mezzo di realistici casi numerici. Oltre ai risultati scientifici, questa politica può essere applicata ad una vasta gamma di casi produttivi, in quanto è calibrabile sulle esigenze dell’utilizzatore, adattiva ai cambiamenti di un reale ambiente manifatturiero, leggera dal punto di vista implementativo ed altamente autonoma.