A hands-on deployment of prognostics and health management on a production line digital twin for enhanced shop-floor scheduling in the context of Industry 4.0

We are witnessing the rise of the Industry 4.0 (I4.0) powered by technologies such as the Internet of Things (IoT) which facilitates fast and robust Machine To Machine (M2M) communication and Machine Learning (ML) which offers advanced modeling, simulation, and predictive capabilities. Prognostics and Health Management (PHM) is a simulation system that employs IoT-backed sensors and ML techniques to evaluate the health status of machinery and other assets. Its core function is to serve as a tool for fault detection ('something went wrong'), fault diagnosis ('what went wrong'), and prognosis for estimation of Remaining Useful Life (RUL) ('when will it go wrong'), where applications have been mainly centered on Maintenance Planning. Digital Twins (DTs) represent a comprehensive simulation of a physical asset, therefore, one of the many features in the DT toolbox should certainly be PHM. In addition, it has been found that there is a lack of DT-based implementations and most works focus on describing theoretical solutions, posing a need for "green-field" DT architecture demonstrations. This thesis delves into the practical setup and integration of a PHM module within a DT, expanding its use beyond mere maintenance to areas such as production planning and scheduling in a real shop-floor laboratory setting. The results found in the laboratory setting where the experimental campaign has been executed indicate that not only the PHM integration into DT can be highly precise with an accuracy of 99.8\%, but it also enhances scheduling by introducing an almost 50\% improvement to the PHM-conditioned schedule compared to the nonconditioned approach.

Stiamo vivendo l'ascesa dell'Industria 4.0 (I4.0) alimentata da tecnologie come l'Internet delle Cose (IoT) che permette una comunicazione veloce e solida da macchina a macchina (M2M) e il Machine Learning (ML) che offre capacità avanzate di modellazione, simulazione e predizione La Gestione Prognostica e della Salute (PHM) è un sistema di simulazione che utilizza sensori supportati da IoT e tecniche di ML per valutare la salute di macchinari e altri beni. Il suo scopo principale è di fungere da strumento per il rilevamento di guasti ('qualcosa è andato male'), la diagnosi dei guasti ('cos'è andato male') e la prognosi per la stima della Vita Utile Residua (RUL) ('quando andrà male') per supportare la presa di decisioni, dove le applicazioni sono state principalmente concentrate sulla pianificazione della manutenzione. I Gemelli Digitali (DTs) rappresentano una simulazione completa di un bene fisico, pertanto, una delle molte caratteristiche nel toolbox DT dovrebbe certamente essere PHM. Inoltre, è stato osservato che esiste una carenza di implementazioni basate su DT e la maggior parte dei lavori si concentra sulla descrizione di soluzioni teoriche, evidenziando la necessità di dimostrazioni "green-field" di architetture DT. Questa tesi discute l'installazione pratica e l'integrazione di un modulo PHM all'interno di un DT, espandendo il suo uso oltre la semplice manutenzione in aree come la pianificazione della produzione e lo scheduling in un laboratorio di produzione reale. I risultati trovati nell'ambiente di laboratorio dove è stata eseguita la campagna sperimentale indicano che non solo l'integrazione del PHM nel DT può essere altamente precisa con un'accuratezza del 99.8\%, ma migliora anche lo scheduling introducendo un miglioramento intorno a 50\% allo schedule condizionato dal PHM rispetto all'approccio non condizionato.