Estimation of the remaining useful life of a conveyor belt operating at low temperature

Predictive Maintenance (PdM) is gaining increasing significance in the industry, steered by the imperative for high efficiency and cost-effectiveness. PdM essentially comprises two key stages: Remaining Useful Life (RUL) prognostics and decision-making. This thesis delves into a case study focusing on wear in a conveyor belt within the supply chain of an ice cream factory. The conveyor belt undergoes continuous monitoring through a camera situated in the room, capturing the position along the various floors with a frequency close to one photo per minute. The study introduces and implements three data-driven models: Ordinary Linear Regression (OLR), Ridge Regression, and Enhanced Random Forest Regression (ERFR) to ascertain the Remaining Useful Life (RUL) of this conveyor. To achieve this objective, the data monitored and stored by the camera undergo processing, extraction, and normalization. In order to ensure performance and establish an applicable method, for the new data, are chosen features that directly describes the variation of the conveyor along the time, specifically the mean and the median. The option to directly track wear using these features suggests that thermal effects may have a negligible impact on the analysis of conveyor elongation. To determine the characteristic wear behavior, a least square method is applied, comparing the data with linear, logarithmic, and exponential trends. Once the wear trend is identified, a separation of data between training and testing data is executed to train and test the regression methods. The results indicate that the feature with the least divergence between different levels is the median. Additionally, the characteristic wear behavior of the conveyor is found to be linear.

La Manutenzione Predittiva (PdM) sta guadagnando sempre più importanza nell'industria, guidata dall'imperativo di elevata efficienza e convenienza economica. La PdM comprende fondamentalmente due fasi chiave: la prognosi della Rimanente Vita Utile Rimanente (RUL) e la presa di decisioni. Questa tesi approfondisce uno studio di caso focalizzato sull'usura di un nastro trasportatore all'interno della catena di approvvigionamento di una fabbrica di gelato. Il nastro trasportatore è sottoposto a monitoraggio continuo attraverso una telecamera posizionata nella stanza, catturando la posizione lungo i vari piani con una frequenza vicina a una foto al minuto. Lo studio introduce ed implementa tre modelli data-driven: la Ordinary Linear Regression (OLR), Ridge Regression, and Enhanced Random Forest Regression (ERFR) per determinare la Vita Utile Rimanente (RUL) di questo nastro trasportatore. Per raggiungere questo obiettivo, i dati monitorati e memorizzati dalla telecamera subiscono elaborazione, estrazione e normalizzazione. Al fine di garantire le prestazioni e stabilire un metodo applicabile per i nuovi dati, vengono scelte caratteristiche che descrivono direttamente la variazione del nastro trasportatore nel tempo, in particolare la media e la mediana. La scelta di monitorare direttamente l'usura utilizzando queste caratteristiche suggerisce che gli effetti termici possono avere un impatto trascurabile sull'analisi dell'allungamento del nastro trasportatore. Per determinare il comportamento caratteristico dell'usura, si applica un metodo dei minimi quadrati, confrontando i dati con trend lineari, logaritmici ed esponenziali. Una volta identificato la tendenza di usura, si esegue una separazione dei dati tra dati di addestramento e di test per addestrare e testare i metodi di regressione. I risultati indicano che la caratteristica con la minore divergenza tra i diversi livelli è la mediana. Inoltre, si scopre che il comportamento caratteristico dell'usura del nastro trasportatore è lineare.