Machine clustering methodology through event data in the collaborative prognostics framework

The current industrial scenario is the consequence of big improvements in digital technologies, driven by the advent of the Fourth Industrial Revolution, or Industry 4.0. Such transition is based on the possibility of collecting and analysing data from different machines for improving productivity, reducing costs and enhancing flexibility and operational visibility. Industry 4.0, however, changed the perspective of the business, providing new challenges and opportunities to the manufacturers. Servitization, which is based on the notion that any product can be offered as a service, is emerging in this context. It enables third-party businesses to offer help services, such as Predictive Maintenance, which uses sensors installed on the machines to possibly predict failure behaviour. The difficulty in gathering enough run-to-failure datasets, however, contributed to the growth of Collaborative Prognostics, a technique that allows assets to enhance their ability to predict failure by learning from the failures of other assets. For the increased interest in the manufacturing field, this thesis seeks to further investigate the Collaborative Prognostics topic through a literature review. What emerged is that the existing approaches are based on vibrational and thermographic data, and that there is no real industrial application of those approaches in the scientific papers. Based on such considerations as well as the availability of a real industrial dataset, the research objective is to develop a clustering methodology based on Event Data in the Collaborative Prognostics framework. This clustering intends to group similar machines in their operational behaviours in order to expand the datasets on which asset-specific prognostics algorithms are trained for the prediction of the Remaining Useful Life and to enable common maintenance plans between assets belonging to the same cluster. Additionally, through the application of the methodology to a real industrial case, it has been found that a benchmark indicator for each cluster can be calculated by analysing the performance of the machines. Finally, the research concludes with a future assessment for evaluating the methodology in two scenarios: adding machines' new data and adding a new asset to the fleet.

L'attuale scenario industriale è la conseguenza di grandi miglioramenti nelle tecnologie digitali, spinti dall'avvento della Quarta Rivoluzione Industriale, o Industria 4.0. Tale transizione si basa sulla possibilità di raccogliere e analizzare dati da diverse macchine per migliorare la produttività, ridurre i costi e aumentare la flessibilità e la visibilità operativa. L'industria 4.0, tuttavia, ha cambiato la prospettiva del business, fornendo nuove sfide ai produttori. La Servitizzazione, che si basa sulla nozione che qualsiasi prodotto può essere offerto come servizio, sta emergendo in questo contesto. Consente alle aziende di terze parti di offrire servizi di assistenza, come la manutenzione predittiva, che utilizza sensori installati sulle macchine per prevedere eventualmente il comportamento dei guasti. La difficoltà nel raccogliere un numero sufficiente di set di dati a rottura, tuttavia, ha contribuito alla crescita della Prognostica Collaborativa, una tecnica che consente alle risorse di migliorare la loro capacità di prevedere la rottura imparando dai guasti di altre risorse. Per il crescente interesse nel campo manifatturiero, questa tesi cerca di approfondire l'argomento della Prognostica Collaborativa attraverso una revisione della letteratura. Ciò che è emerso è che gli approcci esistenti si basano su dati vibrazionali e termografici e che non esiste una reale applicazione industriale di tali approcci negli articoli scientifici. Sulla base di tali considerazioni e della disponibilità di un set di dati industriale, l'obiettivo della ricerca è quello di sviluppare una metodologia di Raggruppamento basata su Dati Evento nel contesto di Prognostica Collaborativa. Questo Raggruppamento intende raggruppare macchine simili nei loro comportamenti operativi al fine di aumentare i set di dati su cui vengono addestrati algoritmi prognostici specifici degli asset per il calcolo della Vita Utile Residua e per abilitare piani di manutenzione comuni tra asset appartenenti allo stesso gruppo. Inoltre, attraverso l'applicazione della metodologia a un caso industriale reale, è stato riscontrato che è possibile calcolare un indicatore di riferimento per ogni gruppo analizzando le prestazioni delle macchine. Infine, la ricerca si conclude con una valutazione futura della metodologia in due scenari: l'aggiunta di nuovi dati delle macchine e l'aggiunta di una nuova macchina alla flotta.