Predictive approaches for multivariate time series with session data : an industrial case

Predictive maintenance is a proactive maintenance strategy that uses data and analytics techniques to predict when equipment or systems are likely to fail so that maintenance can be scheduled just in time to prevent those failures from occurring, which will have impacts on reducing downtime and saving maintenance costs. This is made possible through the adoption of statistical and machine learning computational models. In this work, a real-world case scenario with industrial pallet wrapping machines' session data in the form of multivariate time series will be analyzed, starting from the analysis of the prediction problem, going through the different stages of preliminary data analysis, and, finally, evaluating the performance of some state-of-the-art models on the preprocessed session data. In the methods section, a crucial part will be played by the importance of data understanding, cleaning, and session definition. Moreover, the explanation of Machine Learning and Neural Network which has been tested, together with their functioning, is given. In the evaluation considerations, the principal role will be played by the search for an optimum combination of reading and prediction window to obtain satisfactory results. It is also observed that each of these parameters makes the model behave differently. Finally, this work evaluates the use of hyperparameter tuning for the models implied. We anticipate this thesis to be a starting point for a wider model comparison for predicting the failures of a machine. For example, more complex Neural models could be tested, including a wider Feature Engineering step for deriving more useful information to be given to models.

La manutenzione predittiva è una strategia di manutenzione proattiva, che utilizza dati e tecniche di analisi per predire quando un equipaggiamento sta per danneggiarsi, in modo tale che un intervento di manutenzione possa essere programmato, evitando così spiacevoli guasti, riducendo il tempo di inattività dovuto alla riparazione del macchinario e permettendo di risparmiare notevolmente sui costi di manutenzione. Questo è reso possibile attraverso l'adozione di modelli statistici e di machine learning. In questa tesi verrà analizzato un caso d'uso reale, utilizzando dati multivariati, suddivisi in sessioni, provenienti da macchine avvolgitrici di pallet, partendo da un'analisi del problema di predizione, passando poi attraverso le diverse fasi dell'analisi preliminare dei dati e, infine, valutando le performance di alcuni modelli dello stato dell'arte sui dati pre-processati forniti in ingresso. Nella sezione dei metodi, una parte fondamentale consiste nell'importanza di comprendere i dati, ripulirli da eventuali anomalie e definire in modo corretto le sessioni di lavoro. Inoltre, viene fornita una spiegazione esaustiva sul funzionamento dei modelli di machine learning e sulle reti neurali testate. Nelle considerazioni legate alla valutazione delle performance, un ruolo cruciale viene ricoperto dalla ricerca di valori sensati per prediction window e reading window per poter ottenere risultati soddisfacenti. Infine, viene valutato il processo di ricerca degli iperparametri per i modelli utilizzati. Questa tesi vuole essere un punto di partenza per una comparativa più ampia sui modelli esistenti per predire i guasti all'interno di una macchina. A titolo di esempio possono essere considerate reti neurali più complesse, e può essere effettuata un'ulteriore fase di Feature Engineering per derivare informazioni più utili da fornire ai modelli di predizione.