Machine learning based data driven approach for predictive maintenance of process units

This thesis work aim at developing a machine learning algorithm for a data driven predictive maintenance technique. Maintenance is a well known problem in industry that is responsible for economic and efficiency losses. The algorithm is meant to be integrated in the distributed control system of the Itelyum Regeneration plant in Pieve Fissiraga (LO). The development of such algorithm is carried out in Python programming language and developed with the free open source library Scikit Learn. The time series data is modeled through a Gaussian Process Regression and linear regression. The two approaches are than compared. The case study implemented describes the furnace of the thermal de-asphalting section of the plant. A key unit of the refinery plant for which maintenance and control must be ensured and optimize in order to ensure energy efficiency and safety and to avoid economic losses and downtime.

Questo lavoro di tesi mira a sviluppare un algoritmo di machine learning per un approccio data driven al problema della manutenzione predittiva. La manutenzione negli impianti è un problema ben noto in quanto essa è responsabile per ingenti perdite economiche e riduzione dell'efficienza delle unità. L'algoritmo è pensato per essere integrato con il sistema di controllo distribuito dell'impianto di rigenerazione Itelyum, situato a Pieve Fissiraga (LO). L'algoritmo è implementato attraverso il linguaggio di programmazione Python e sviluppato utilizzando Scikit Learn, una liberira gratuita e open source per il machine learning. I dati vengono modellati tramite metodi di regressione lineare e Gaussian Process e i due metodi vengono poi comparati. Il case study implementato riguarda la fornace nella sezione di de-asfaltazione termica dell'impianto. Un'unità chiave dell'impianto di raffinazione per la quale manutenzione e controllo devono essere assicurati in modo tale da garantire efficienza energetica, sicurezza ed evitare perdite economiche e tempi morti.