A Digital Twin-based decision support model for Asset Management in the light of maintenance and energy problems

The growing complexity and uncertainty in the manufacturing context and the transition due to digitalization and sustainability are pushing industrial firms to overhaul their business processes. In this operating context, appropriate maintenance policy can be recognized as an opportunity to enhance sustainable performance with the simultaneous goal of decreasing energy consumption and maintenance impact on the production system productivity. The overarching objective of the thesis refers to building a Digital Twin-based decision support model to cope with maintenance and energy-related problems, under the guiding role of Asset Management. The scope of the work is broken down into two smaller specific goals. The first one aims to comprehend the state-of-the-art associated to maintenance and energy-related problems in manufacturing under the umbrella of Asset Management while the second to develop and validate a Digital Twin-based model for optimizing system performance from maintenance and energy perspectives. Therefore, the research work firstly proposes a theoretical framework that supports the integration and the subsequently resulting collaboration across business functions, with the purpose to express the requirements for the decision support development of the optimization model. The Digital Twin is introduced to enable the plant operations to finally support the joint optimization model, which aims to find the optimal preventive maintenance policy for different machine components in order to minimize their maintenance and energy-related costs. Particularly, the Digital Twin enables a simulation-based optimization approach to provide the decision-maker with the most efficient policy to be implemented on the system. The Genetic Algorithm is chosen as the metaheuristic technique used to iteratively find the minimum cost related to the system. The model is validated in a pilot assembly line through two experimental campaigns, which are designed to demonstrate how it can provide the most efficient maintenance policy, reaching first the optimal preventive time-based maintenance policy and then the best condition-based maintenance policy based on inspections. These two scenarios are also compared with the objective to find the best policy for the proposed application case.

La crescente complessità e incertezza nell'ambiente manifatturiero, nonchè la transizione dovuta alla digitalizzazione e alla sostenibilità stanno spingendo le aziende manifatturiere ad innovare i loro processi aziendali. In questo contesto, l’ottimizzazione della gestione della manutenzione può essere considerata un'opportunità per diminuire l’impatto ambientale, il conseguente consumo energetico ed aumentare la produttività del sistema di produzione. L'obiettivo principale della tesi è incentrato sulla creazione di un modello di supporto decisionale basato su Digital Twin per affrontare i problemi legati alla manutenzione e al consumo energetico, sotto la guida dell’Asset Management. Questo obiettivo è suddiviso in due sotto-obiettivi più specifici. Il primo è volto a comprendere lo stato dell'arte associato ai problemi di gestione della manutenzione e dell’energia sotto la guida dei principi di Asset Management. D’altra parte, il secondo si pone l’obiettivo di sviluppare e convalidare un Digital Twin al fine di ottimizzare le prestazioni del sistema produttivo dal punto di vista manutentivo ed energetici. In questa prospettiva, questo lavoro di ricerca propone un framework teorico che supporta l'integrazione, e la successiva collaborazione, tra le varie funzioni aziendali, con lo scopo di esprimere i requisiti per lo sviluppo del supporto decisionale. Il Digital Twin è stato introdotto per simulare i processi legati al sistema di produzione al fine di supportare il modello di ottimizzazione congiunta. Quest’ultimo mira a trovare la politica ottimale di manutenzione preventiva per ciascun componente delle macchine, al fine di minimizzare i costi manutentivi ed energetici associati. In particolar modo, il Digital Twin consente un approccio di ottimizzazione basato sulla simulazione per fornire al decisore la politica più efficiente da implementare. L'algoritmo genetico è stato scelto come metodo metaeuristico per trovare il costo minimo relativo. Infine, è stata convalidata e dimostrata l’applicabilità del modello su una linea di assemblaggio attraverso due campagne sperimentali volte a trovare la politica di manutenzione preventiva ottimale per entrambi gli approcci: time-based maintenance e condition-based maintenance. Questi due scenari sono stati successivamente confrontati con lo scopo di trovare la migliore politica per il caso applicativo proposto.