Recognition of machinery healthy state through the fusion of product inspection and process monitoring data

This thesis focuses on the development of a monitoring system for the recognition of anomaly conditions in production machineries. The complexity of manufacturing systems, which is eventually reflected in the products’ quality, lies in the intricated interactions between processes, assets and factors that make up the overall machine. These interactions are often difficult to be adequately captured and modelled, thus preventing the achievement of accurate monitoring results. The proposed method is based on data fusion techniques that leverage on heterogenous data sources and on probabilistic approaches to improve the reliability of the machine’s state estimation. The work first analyses the state of the art and the technologies that are currently adopted in machines’ health monitoring applications highlighting the main aspects that needs to be solved and that this work intended to cover. The core of the work focuses on the method and its applicability. The main algorithm uses gaussian processes to perform a sensor-level classification, followed by a global fused estimation based on Dempster-Shafer combination of the sources’ high-level information. The effectiveness of the method has been demonstrated in an industrial setting. The potential adaptation across different assessment domains is finally discussed and relevant limitations and constraints for method applicability are provided.

Questa tesi riguarda lo sviluppo di un sistema di monitoraggio per il riconoscimento di condizioni di anomalia nei macchinari di produzione. La complessità dei sistemi di produzione, che si riflette poi nella qualità dei prodotti, risiede nelle intricate interazioni tra processi, risorse e in generale fattori che compongono la macchina complessiva. Queste interazioni sono spesso difficili da capire e modellare adeguatamente, impedendo così il raggiungimento di risultati di monitoraggio accurati. Il metodo proposto si basa su tecniche di data fusion che fanno leva su fonti di dati eterogenee e su approcci probabilistici per migliorare l'affidabilità della stima della condizione della macchina. Il lavoro analizza innanzitutto lo stato dell'arte e le tecnologie attualmente adottate nelle applicazioni di monitoraggio evidenziando gli aspetti principali che necessitano di essere risolti. Il cuore del lavoro si concentra sul metodo e sulla sua applicabilità. L'algoritmo principale utilizza processi gaussiani per eseguire una classificazione a livello di sensore, seguita da una stima globale basata sulla combinazione di Dempster-Shafer delle informazioni provenienti dai vari sensori. L'efficacia del metodo è stata dimostrata in un contesto industriale reale. Viene infine discusso il potenziale adattamento in diversi ambiti di valutazione e vengono fornite le limitazioni e i vincoli rilevanti per l'applicabilità e la generalità del metodo.