Root cause analysis in manufacturing processes: a Bayesian network based approach

Quality has become a crucial factor for ensuring competitive advantage and sustainability of processes in today’s market. However, despite decades of research and efforts to improve quality management, it still remains a prominent issue. Traditional tools mainly focus on addressing the symptoms of the problem, with low attention placed on the true causes underlying the problem. Based on these considerations, this study owes to find a tool able to perform root cause analysis of process faults and quality defects able to integrate data from multiple sources (e.g. human knowledge and historical process data). Moreover, a comprehensive framework able to guide practitioners in the implementation of this solution will be proposed. The selected tool, namely Bayesian network, has demonstrated to be an optimal technique for describing complex systems and the interrelations between the variables involved. The methodology has been subsequently validated through a case study involving Tennessee Eastman process. Results suggests the potential of this solution and the needs for further implementation into a real-case scenario.

La qualità è diventata un fattore cruciale per garantire vantaggio competitivo e sostenibilità dei processi nel mercato odierno. Tuttavia, nonostante decenni di ricerca e sforzi per migliorare la gestione della qualità, quest’ultima rimane ancora un problema rilevante. Gli strumenti tradizionali si concentrano principalmente sull'affrontare i sintomi del problema, con poca attenzione alle vere cause alla base del problema. Sulla base di queste considerazioni, l’obiettivo del presente studio è quello di trovare uno strumento in grado di eseguire l'analisi delle cause radice di errori di processo e difetti di qualità, in grado di integrare dati provenienti da più fonti (e.g. conoscenza umana e dati storici di processo). Inoltre, verrà proposta una metodologia in grado di guidare i professionisti nell'implementazione di questa soluzione. Lo strumento scelto, ovvero la rete Bayesiana, si è dimostrato una tecnica ottimale per descrivere sistemi complessi e le interrelazioni tra le variabili coinvolte. Il framework è stato successivamente validato attraverso un caso di studio che coinvolge il processo Tennessee Eastman. I risultati suggeriscono il potenziale di questa soluzione e la necessità di ulteriori implementazioni in uno scenario reale.