Complex data modeling and monitoring for smart manufacturing in industry 4.0

The digital transition as well as new production capabilities within the Industry 4.0 framework are reshaping the complexity and volume of data used for discrete manufacturing quality monitoring and modelling. On the one hand, advanced manufacturing and additive manufacturing methods are used to produce more and more complex products, which require novel non-destructive inspection methods, leading to quality data in the form of computed tomography volumes, 3D meshes and point clouds. On the other hand, advanced sensing tools enable big and fast streams of sensor data like high-dimensional signals, images and videos gathered during the process, while the part is being produced. The result is a novel level of quality data complexity, which gives rise to industrial challenges, namely the lack of appropriate statistical process monitoring methods, the difficulty to manage such high dimensionality of in-process and post-process data, and the difficulty to deal with multi-sensor data stream in an efficient and effective way. This PhD thesis aims to tackle these challenges by exploring and testing novel solutions for big and complex data reduction, modelling and monitoring. Novel methods are presented for two major production frameworks, i.e., traditional manufacturing via flexible systems and metal additive manufacturing. All proposed approaches share the same underlying idea of transforming high-dimensional data into a lower dimensional format (profiles) that is easier to handle and more efficient to analyse while capturing the relevant information content suitable for fast and accurate anomaly detection.

La transizione digitale e le nuove capacità di produzione nell'ambito dell'Industria 4.0 stanno rimodellando la complessità e il volume dei dati utilizzati per il monitoraggio della qualità della produzione discreta. Da un lato sono largamente diffusi i metodi di produzione additiva per realizzare prodotti sempre più complessi che richiedono nuovi metodi di ispezione non distruttiva con conseguente aumento della complessità dei dati raccolti (ad esempio sotto forma di volumi di tomografia computerizzata, mesh 3D e nuvole di punti). D'altra parte, strumenti avanzati consentono l’acquisizione di grandi quantità di dati raccolti in tempi brevi, come segnali, immagini e video raccolti durante il processo. Il risultato è un nuovo livello di complessità dei dati, che dà origine a sfide industriali, in particolare legate alla mancanza di metodi statistici di monitoraggio di processo, alla difficoltà di gestire una così elevata dimensionalità dei dati in-process e post-process e la difficoltà di gestire flussi di dati multi-canale in modo efficiente ed efficace. Questa tesi di dottorato mira ad affrontare queste sfide esplorando e testando nuove soluzioni per la riduzione, la modellazione e il monitoraggio di dati complessi e di grandi dimensioni. Vengono presentati nuovi metodi per due principali quadri di produzione, la produzione tradizionale tramite sistemi flessibili e la stampa 3D. Tutti gli approcci proposti condividono la stessa idea di base: trasformare i dati ad alta dimensione in un formato di dimensione ridotto (profili) che sia più facile da gestire e più efficiente da analizzare, catturando il contenuto informativo pertinente adatto per il rilevamento rapido e accurato delle anomalie.