Design and implementation of real-time edge computing algorithm for tool wear forecasting in industrial machinery

The following paper will explain in detail a project of predictive maintenance applied on a punching machine. The project consisted of three main parts: 1. Define the machine most critical components; 2. Find the most suitable sensor for the application; 3. Develop an algorithm that takes the sensor's data and discriminates whether the machine is operating in a normal or faulty condition. In order to define the most critical components, it's important to explain how the machine is made and how mechanical parts interacts with each other to obtain the punched sheet metal. The definition of the sensor was made considering mainly the minimum sampling rate to avoid aliasing and the minimum full scale to avoid saturation. Additionally, spacial and electrical constraints are taken into consideration, too. At the end, the selection of the most suitable algorithm was done comparing a peak recognition algorithm, different machine learning models and a neural network approach. The final algorithm was developed considering also that it need to be deployed to a sensor node that can perform edge computing.

Il documento di tesi tratterà in dettaglio un progetto di manutenzione predittiva applicato ad una macchina punzonatrice. Il progetto si compone di tre parti principali: 1. Definire i componenti più critici della macchina; 2. Trovare il sensore più adatto all'applicazione; 3. Sviluppare un algoritmo che prenda i dati del sensore e sappia discriminare se la macchina stia lavorando in condizioni normali o difettose. Per definire i componenti più critici è importante spiegare come è fatta la macchina e come le sue componenti meccaniche interagiscano tra di loro per ottenere il prodotto punzonato. La definizione del sensore è stata fatta considerando principalmente la minima frequenza di campionamento che sia in grado di evitare l'aliasing e il minimo fondo scala che possa evitare la saturazione del segnale. Successivamente, sono stati presi in considerazione anche i vincoli spaziali ed elettrici. Infine, la selezione dell'algoritmo più adatto è stata effettuata confrontando un algoritmo di peak recognition, diversi modelli di machine learning e un modello di rete neurale. L'algoritmo finale è stato sviluppato considerando anche che lo stesso deve essere caricato su un nodo sensore in grado di eseguire l'edge computing.