Machine similarity analysis for condition-based maintenance in a manufacturing company

This thesis work explores the possibility of finding machine similarities in a manufacturing company. The thesis is inserted in a condition based maintenance (CBM) context in which some artificial intelligence (AI) models are trained using the data acquired from the machines. The work starts from a context and literature analysis. Using the literature findings some more traditional method like ANOVA as well as clustering machine learning methods were applied to identify the similar machines without obtaining any relevant result. The thesis, therefore, proposes a specific method using the datasets coming from technologically similar CNC machines. It consists in grouping the observed data of all the machines, dividing it in different working conditions, and then by comparing the frequency of occurrence of such working conditions between the machines. This results in a similarity score. The proposed approach is then tested comparing the performance of some linear support vector regression models trained on the basis of the previous result. The test shows that the models do benefit from being trained with data coming from more machines. However, it is not evident that the similarity score is a decisive factor influencing the performance of the trained models. In the future, starting from the results here identified, new analyses and further projects in the same company are possible to improve its condition monitoring process.

Questo lavoro di tesi esplora la possibilità di identificare la similarità tra macchine in un’azienda manifatturiera. Il contesto in cui la tesi si inserisce è quello della manutenzione su condizione (CBM). Questa è realizzata, all’interno dell’azienda, con l’ausilio di modelli di intelligenza artificiale allenati a partire dai dati estratti dalle macchine oggetto dello studio. Il lavoro parte da un’attenta analisi del contesto e della letteratura al fine di indentificare dei metodi utili al caso studio, tra questi ne troviamo di più tradizionali come l’analisi della varianza (ANOVA) e altri che utilizzano algoritmi di clustering tipici dell’apprendimento automatico. I risultati ottenuti utilizzando tali metodi si sono rivelati, tuttavia, insoddisfacenti. La tesi propone quindi un procedimento specifico che utilizza un dataset proveniente da macchine a controllo numerico (CNC) tecnologicamente simili. Tale procedimento consiste nel dividere i dati provenienti dalle macchine, identificando differenti condizioni operative e, successivamente, nella comparazione della frequenza di tali condizioni operative tra le diverse macchine. Il risultato ottenuto è uno score di similarità tra macchine. Questo risultato è poi testato comparando la performance di alcuni modelli di regressione a vettori di supporto (SVR) allenati sulla base degli score precedenti. Il test mostra che i modelli beneficiano dall’essere allenati con dati provenienti da più di una macchina, ma non risulta evidente che lo score di similarità sia un fattore decisivo per la performance di tali modelli. In futuro, partendo dai risultati qui identificati, potranno essere affrontati nuovi progetti e analisi nella stessa azienda per migliorare il processo di monitoraggio delle condizioni delle macchine.