Predictive maintenance framework for medical devices. From data collection to data analysis

Medical devices are becoming ever more complex due to technological advancements of last decades, and their demand is continuously growing in number. Having reliable and available equipment ensure high-quality patient care and high degree of patient safe. In order to satisfy these requests, a proper maintenance program is needed to avoid medical malpractise. However, knowing the characteristics of failure of a medical device is important to increase the efficiency of its management. In this framework, a Predictive Maintenance (PdM) application could assist biomedical engineers in planning maintenance activity. Although it is not so widely performed in healthcare industry, PdM could enhance the performance of the equipment within a hospital by reducing its downtime and decreasing its maintenance costs and effort. In this thesis, a Predictive Maintenance approach is presented to help in failure diagnosis for two critical devices, a roller bearing and a roller pump by monitoring their vibration. An initial analysis on vibration monitoring of bearing was performed and based on it, a suitable data acquisition system is implemented, taking care of the every single electronic components. Signals are collected through an accelerometer wired to a Raspberry pi board and then imported in MATLAB. Every signal has been processed with advance signal processing techniques: both Fast Fourier transform, Envelope Spectrum and Hilbert Huang transform are first discussed and validated on the bearing, for which theoretical references are affirmed, then repeated to the roller pump to find specific pattern that could discriminate healthy or faulty conditions. The whole set up was developed thanks to the support of ELETTROTECNICA ROLD srl, where a I did my internship.

L'ondata tecnologica degli ultimi anni sta vedendo dispositivi medici sempre più complessi, a cui si aggiunge un incremento della loro domanda sul mercato. Avere un dispositivo sicuro e pronto all'uso garantisce un elevato livello di assistenza e di qualità per la cura del paziente. Per soddisfare queste richieste ed evitare casi di malasanità, viene richiesto un corretto piano di manutenzione per ciascun dispositivo. Tuttavia, la gestione di un dispositivo medivo è più efficente se si conoscono le possibili cause di guasto. In questo contesto, la manutenzione predittiva può aiutare gli ingegneri biomedici a stilare un corretto piano manutentivo. Nonostante questo approccio non sia molto consolidato nell'industria medica, la manutenzione predittiva può migliorare l'efficienza delle attrezzature coinvolte in un osepdale andando a ridurne costi legati alla manutezione e tempi di inutilizzo. Nel mio lavoro di tesi viene presentato lo studio delle vibrazioni come esempio di manutenzione predittiva, utilizzato per diagnosticare possibili cause di guasto in due componenti, un cuscinetto a sfere e una pompa peristalitca, dispositivo che rientra nelle applicazioni biomedicali. Per rilevare le vibrazioni dei componenti meccanici, un sistema di acquisizione è stato fatto su misura, scegliendo il tipo di accelerometro, collegandolo a un Raspberry Pi. I dati raccolti vengono poi importati in MATLAB. Tecniche di analisi dei segnali, precisamente la trasformata di Fourier, lo studio dell'inviluppo del segnale e della trasformata di Hilbert-Huang vengono prima discusse e validate sul cuscinetto in quanto vi è un riscontro teorico in letteratura per poi essere riproposte per lo studio delle vibrazioni indotte da una pompa peristaltica. In questo caso l'obiettivo è quello di trovare dei pattern specifici con cui è possibile discriminare durante il normale funzionamento un particolare difetto. Questo lavoro è stato reso possibile grazie al supporto di ELETTROTECNICA ROLD srl.