Towards predictive maintenance using long short-term memory autoencoder and streaming explainability

In recent years, Predictive Maintenance (PdM) has gained increasing significance in industrial applications, driven by the pursuit of optimized asset management and operational efficiency through advanced Machine Learning techniques. This thesis work introduces a robust framework tailored for PdM in industrial contexts. Leveraging state-of-the-art Deep Learning techniques, the framework aims to enhance asset reliability and operational efficiency through a multi-stage process, including data preparation, model implementation, and the integration of explainability techniques. At its core, the framework employs a Long Short-Term Memory AutoEncoder (LSTM-AE) model for anomaly detection, effectively capturing complex patterns in time-series data for early fault detection. Additionally, it incorporates explainability techniques such as Adaptive Model Rules (AMRules), which provide insights into anomalies root causes, facilitating proactive maintenance strategies to minimize downtime and optimize resource allocation. This research addresses fundamental questions regarding the effectiveness and interpretability of PdM in industrial settings. Through empirical evaluation and case studies, the framework demonstrates its ability to accurately detect anomalies and improve asset reliability in real-world scenarios. Moreover, it offers a scalable and efficient pipeline for real-time deployment in dynamic operational environments. This hybrid approach presents a practical solution for industries aiming to leverage both batch and streaming machine learningmethodologies in their predictive maintenance strategies.

Negli ultimi anni, la Manutenzione Predittiva (PdM) ha acquisito crescente importanza nelle applicazioni industriali, spinta dalla ricerca di un’ottimizzazione della gestione degli asset e dell’efficienza operativa attraverso tecniche avanzate di Machine Learning. Questo lavoro di tesi introduce un solido framework progettato specificamente per la PdM in contesti industriali. Sfruttando tecniche di Deep Learning, il framework mira a migliorare l’affidabilità degli asset e l’efficienza operativa attraverso un processo multi-stadio, che include la preparazione dei dati, l’implementazione del modello e l’integrazione di tecniche di spiegabilità. Il framework utilizza un modello Long Short-Term Memory AutoEncoder (LSTM-AE) per la rilevazione di anomalie, catturando efficacemente pattern complessi nei dati in serie temporali per la rilevazione precoce dei guasti. Inoltre, incorpora tecniche di spiegabilità come Adaptive Model Rules (AMRules), che fornisce approfondimenti sulle cause principali delle anomalie, facilitando strategie di manutenzione proattive per minimizzare i tempi di fermo e ottimizzare l’allocazione delle risorse. Questa ricerca affronta domande fondamentali riguardanti l’efficacia e l’interpretabilità della PdM in contesti industriali. Attraverso valutazioni empiriche e case studies, il framework dimostra la sua capacità di rilevare con precisione anomalie e migliorare l’affidabilità degli asset in scenari reali. Inoltre, offre una pipeline scalabile ed efficiente per il dispiegamento in tempo reale in ambienti operativi dinamici. Questo approccio ibrido presenta una soluzione pratica per le industrie che mirano a sfruttare sia metodologie di Machine Learning basate su batch che sullo streaming real-time nelle loro strategie di manutenzione predittiva.