A transfer learning methodology within a collaborative prognostic framework: proposal and application of anomaly detection within a fleet of industrial assets

Manufacturing systems are evolving to satisfy increasing service level requirements and budgetary constraints imposed by the high level of competitiveness of the market. In this context, Original Equipment Manufacturers (OEMs) are shifting toward a product service system (PSS) proposition for the consolidation of their market shares, the expansion toward potential new clients, and the creation of new revenue models. In parallel, the maintenance technique of Prognostics and Health Management (PHM) has gained increased attention both in the literature and in the industry for its ability to promptly provide insights on current states and future states of assets so to recommend maintenance actions. The challenges that PHM poses on companies can be seen as an opportunity for OEMs that can integrate their specific domain knowledge on the construction of assets, with the operational knowledge of clients, and can create a digital infrastructure that supports the adoption of PHM solutions as a service (PHMaaS). Between data-driven maintenance frameworks, collaborative prognostics introduces interesting new opportunities for adopting cost-effective PHM solutions when dealing with many assets; then again, its adoption in a servitization context or its integration in the business proposition of an OEM has yet to be discussed in the literature. This research aims at studying the feasibility of knowledge transfer, from one asset to another, within a collaborative prognostic framework; the technique that the research focuses on is anomaly detection. This is carried out considering the general need for a cost-effective maintenance management solution, of a fleet of assets, of the OEM in its service offering. Additionally, the application of the methodology proposition to an industrial case study, allows for the validation of the methodology as a transfer learning approach for the creation of business-grade anomaly detection models, with limited resource and time efforts. The main advantages in the application are the reduction in time for deployment and in implementation costs as well as the scalability opportunities of the solution. Limitations in the adoption are highlighted as the high complexity of the digital infrastructure, the large knowledge base requirements on the assets, and the performance tradeoff risks, that limit the applicability of the methodology to the management of non-mission critical assets by an OEM. Finally, the thesis proposes future research directions for the methodology.

I sistemi di produzione si stanno evolvendo per soddisfare i crescenti requisiti di livello di servizio ed i vincoli economici imposti dall’elevata competitività del mercato. In questo contesto, i produttori di apparecchiature originali (OEM), si stanno evolvendo verso un’offerta che combina prodotti e servizi, per consolidare le loro quote di mercato, espandersi verso potenziali nuovi clienti e creare nuovi modelli di reddito. Parallelamente, la tecnica di manutenzione PHM (prognostica e gestione dello stato di salute) ha guadagnato una crescente attenzione sia in letteratura che nell’industria per la sua capacità di fornire tempestivamente approfondimenti sugli stati attuali e futuri delle risorse, in modo da raccomandare azioni di manutenzione. Le sfide che il PHM pone alle aziende possono essere viste come un'opportunità per gli OEM, che possono integrare le loro conoscenze del dominio della costruzione degli asset con la conoscenza operativa dei clienti, e creare un'infrastruttura digitale che supporti l'adozione delle soluzioni PHM come servizio (PHMaaS). Tra i vari framework di manutenzione, la prognostica collaborativa introduce nuove interessanti opportunità per l’adozione di soluzioni PHM economicamente vantaggiose, quando si ha a che fare con molte risorse; d’altra parte, la loro adozione in un contesto di servitizzazione o la loro integrazione nella proposta commerciale di un OEM deve ancora essere discussa in letteratura. Questa ricerca mira a studiare la fattibilità del trasferimento di conoscenza, da un asset all'altro, in un contesto di prognostica collaborativa; la tecnica su cui si concentra la ricerca è il rilevamento delle anomalie. Ciò viene effettuato considerando l'esigenza dell'OEM di predisporre una soluzione economicamente vantaggiosa per la gestione della manutenzione di una flotta di asset. Inoltre, l'applicazione della metodologia proposta ad un caso studio industriale, ne consente la convalida come approccio di trasferimento delle conoscenze per la creazione di modelli di rilevamento di anomalie, applicabili a livello aziendale, con risorse e tempo limitati. I principali vantaggi dell'applicazione sono la riduzione dei tempi e dei costi di implementazione, nonché le opportunità di scalabilità della soluzione. I limiti nell'adozione sono l'elevata complessità dell'infrastruttura digitale, gli ampi requisiti di conoscenza sulle risorse e i potenziali compromessi in termini di prestazioni, che limitano l'applicabilità della metodologia alla gestione di risorse non mission-critical da parte di un OEM. Infine, la tesi propone future direzioni di ricerca per la metodologia.