A joint framework for condition-based maintenance integrating Prognostics and Imperfect maintenance effects

Every system at a certain point of its life-cycle requires maintenance, with the overall aim of restoring its functionalities. However, such intervention is not always perfect, but could bring the system to an intermediate condition between as-good-as-new and as-bad-as-old: this generalization of the concept of maintenance is called imperfect maintenance. The present thesis aims to bring further insight to this topic applied in a condition-based maintenance context, which benefited from the developments of sensors technology and data processing of last years. With this goal in mind, the work proposes a literature review of the state of the art of the subject. From such analysis emerged first of all that the publications tend to perform an optimization of the maintenance policies making assumptions about the degradation of the system and the effects of the imperfect maintenance instead of trying to estimate them. Secondly, most papers lack of a real application, focusing more on numerical assessments without detailing the nature of the asset and the types of maintenance performed. These gaps found in literature are used to set the objective of the work: the development of a framework for a condition-based maintenance model which aims to identify and quantify the degradation pattern and the imperfect maintenance effects in order to improve the asset prognosis and the recommendation of types of maintenance intervention. Such operative framework aims to guide the user in the implementation of a condition-based maintenance model where the imperfection of the repairs is given by their capability of restoring only one of the failure modes which cause the degradation, leaving untouched the others. The main peculiarity of the model consists in the adoption of machine learning techniques using condition monitoring and historical event data to characterize the degradation of the asset together with the maintenance effects; this information is utilised in a real time logic with the aim of improving the present actions. The framework is then assessed starting from a dataset made available by the Industry 4.0 Lab at Politecnico di Milano; this part constitutes a practical example of the CBM model too.

Ogni sistema a un certo punto del suo ciclo di vita richiede una manutenzione, con lo scopo di ripristarne le funzionalità. Tuttavia, tale intervento non è sempre perfetto, ma talvolta può riportare il sistema a una condizione a metà tra lo stato prima della riparazione e il ripristino completo: questa generalizzazione del concetto di manutenzione è chiamata manutenzione imperfetta. La presente tesi ha quindi lo scopo di investigare tale concetto applicato a una logica di condition-based maintenance (CBM); tale strategia manutentiva ha infatti beneficiato negli ultimi anni degli sviluppi tecnologici relativi a sensori e tecniche di elaborazione dei dati. In base a tale obbiettivo, il lavoro propone dapprima un'analisi di letteratura riguardo a tale tema. I risultati di questa vedono innanzitutto l'emergere di una prevalenza tra le pubblicazioni di modelli aventi lo scopo di ottimizzare la strategia manutentiva, facendo allo stesso tempo molte ipotesi riguardo alla degradazione del sistema e agli effetti delle manutenzioni imperfette invece di cercare di stimare tali comportamenti. In secondo luogo, la maggior parte degli articoli scientifici mostra la mancanza di un'applicazione reale, concentrandosi piuttosto su validazioni numeriche dei modelli e non fornendo indicazioni riguardo alla natura del sistema e dei tipi di manutenzione eseguiti su di esso. Tali risultati permettono quindi di impostare l'obbiettivo della ricerca: lo sviluppo di framework per un modello CBM che abbia lo scopo di identificare e quantificare l'andamento del degrado e gli effetti delle manutenzioni imperfette per migliorare le previsioni riguardo alle future condizioni del sistema e dare suggerimenti riguardo al tipo di intervento da effettuare. Per raggiungere tale obbiettivo, è stato sviluppato un framework operativo: esso ha lo scopo di guidare l'utente nell'implementazione di un modello CBM in cui l'imperfezione degli interventi manutentivi è dovuta alla loro capacità di risolvere solo una delle cause del degrado, lasciando invariate le altre. La peculiarità di tale modello consiste nell'utilizzo di tecniche di machine learning che combinano dati di condition monitoring e di eventi passati per caratterizzare la degradazione del sistema insieme agli effetti delle manutenzioni; le informazioni raccolte sono poi riutilizzate in tempo reale al fine di migliorare le azioni future. Il framework elaborato è infine oggetto di assessment sulla base di un dataset di riferimento reso disponibile dall'Industry 4.0 Lab del Politecnico di Milano; questa parte della tesi ha anche lo scopo di dare un esempio pratico del modello proposto.