Learning-based anomaly detection for a tube-bending machine

In the rapidly evolving landscape of industrial manufacturing, the integration of machine learning techniques has become a driving force in anomaly detection and health assessment tasks, revolutionizing traditional methodologies and advancing the management of industrial equipment. This Thesis is centered on the monitoring of machinery used in metal tube bending, aiming to develop a robust anomaly detection and health assessment tool. The presented approach is built around analyzing historical data encompassing crucial variables collected from a fleet of tube-bending machines with varying levels of wear and tear. These variables offer a detailed description of the machines’ conditions. Leveraging this data, machine learning models are trained using unsupervised learning techniques, enabling innovative anomaly detection without the need for additional sensors. This approach overtakes the conventional physical-based model. Different and robust anomaly metrics are designed in order to ensure the effectiveness and reliability of the anomaly detection system, enabling precise evaluation and differentiation of anomalies. These outcomes had a substantial impact on both plant efficiency and safety, leading to quicker and more efficient responses to anomalous behaviors. Furthermore, algorithm optimization contributes to improve operational efficiency, reducing unplanned downtime and enhancing resource utilization in complex industrial environments.

Nel panorama in rapida evoluzione dell’industria manifatturiera l’integrazione delle tecniche di machine learning si presenta oggi come una forza trainante nelle attività di diagnostica e rilevamento delle anomalie dei macchinari industriali, rivoluzionando le metodologie tradizionali e migliorando la gestione delle attività di manutenzione. Questa Tesi è incentrata sul monitoraggio dei macchinari utilizzati nella piegatura dei tubi metallici, con l’obiettivo di sviluppare uno strumento di rilevazione delle anomalie e di valutazione dello stato di salute della macchina. L’approccio presentato si basa sull’analisi dei dati ottenuti attraverso il monitoraggio di alcuni parametri cruciali, capaci di riflettere lo stato della macchina sotto esame. Sfruttando questi dati sono stati addestrati modelli di machine learning utilizzando tecniche di apprendimento unsupervised, consentendo un rilevamento innovativo delle anomalie e senza la necessità di installare sensori aggiuntivi, superando i modelli convenzionali basati, ad esempio, sulle curve di degradazione dei componenti meccanici. Diverse metriche di anomalia sono state integrate al fine di garantire l’efficacia e l’affidabilità del sistema di rilevamento. Inoltre, una valutazione precisa e robusta delle stesse rende possibile la loro differenziazione e la possibilità di risalire al guasto scatenante il comportamento anomalo. Questo strumento permette di migliorare sia l’efficienza che l’affidabilità dell’impianto, di programmare interventi di manutenzione mirati ed efficienti, di ridurre i tempi di inattività non pianificati in seguito a guasti o comportamenti anomali e di perfezionare, inoltre, l’utilizzo delle risorse nei complessi ambienti industriali.