Leveraging Explainable AI for Decision Support in Predictive Maintenance: a Framework for Operational Excellence

The field of Predictive Maintenance (PdM) focuses on optimizing the performance and longevity of industrial machinery by predicting equipment failures through advanced data analytics and artificial intelligence (AI). In recent years, Explainable AI (XAI) has emerged as a tool to provide transparency into AI model outputs, particularly in decision-making scenarios. However, current PdM models often focus on failure prediction but lack integration with operational excellence and continuous improvement (CI) strategies, which aim to enhance efficiency and effectiveness through incremental changes and the optimization of operational processes. In addition, state-of-the-art literature provides insufficient practical guidance on using XAI to support decision-making, as its complexity can hinder adoption by non-experts, limiting its effectiveness in driving informed maintenance actions. To address the identified challenges, this thesis proposes a novel framework that integrates PdM using a machine learning (ML) model and XAI for both fault diagnosis and process improvement. By introducing a classification of faults into three criticality levels—low, medium, and high—supported by tailored approaches and guides, the research demonstrates how XAI plots can be leveraged to derive insightful information. By prioritizing critical faults and offering actionable insights in the different scenarios, a reduction of unnecessary maintenance efforts and a promotion of proactive measures that prevent future failures is achieved. Furthermore, the proposed framework not only defines targeted actions for addressing predicted failures but also foster continuous process refinement by leveraging XAI insights, ensuring that proactive improvements are made even when failures are not predicted, thereby contributing to sustained process optimization. To ensure that the framework is used effectively, a user-friendly dashboard has been implemented. This dashboard guides users by outlining the necessary steps and translating complex interpretability insights into easily understandable formats. This ensures that the interpretability of the data is both intuitive and accessible, enabling even non-experts users to confidently engage with XAI insights. The results presented in this thesis, validated through a case study, demonstrate how integrating PdM, CI, and XAI leads to precise, informed and data-driven maintenance actions that enhance both immediate and long-term operational excellence.

Il campo della manutenzione predittiva (PdM) si concentra sull'ottimizzazione delle prestazioni e della longevità dei macchinari industriali prevedendo i guasti delle apparecchiature tramite l'analisi avanzata dei dati e l'intelligenza artificiale (AI). Negli ultimi anni, l'Explainable AI (XAI) è emersa come strumento per fornire trasparenza sui risultati dei modelli di AI, in particolare nei processi decisionali. Tuttavia, gli attuali modelli di PdM spesso si focalizzano esclusivamente sulla previsione dei guasti e mancano di integrazione con le strategie di eccellenza operativa e di Continuous Improvement (CI), che mirano a migliorare l'efficienza e l'efficacia dei processi operativi tramite cambiamenti incrementali. Inoltre, la letteratura più recente fornisce poche indicazioni pratiche su come utilizzare modelli di XAI per supportare il processo decisionale, poiché la sua complessità può ostacolare l'adozione da parte di utenti non esperti, limitandone l'efficacia nel guidare azioni di manutenzione fondate. Per affrontare le sfide identificate, questa tesi propone un nuovo framework che integra la manutenzione predittiva (PdM) con l'uso di un modello di machine learning (ML) e di Explainable AI (XAI) per la diagnosi dei guasti e il miglioramento dei processi. Introducendo una classificazione dei guasti in tre livelli di criticità—basso, medio e alto—supportati da approcci e linee guida mirati, la ricerca dimostra come i grafici XAI possano essere sfruttati per ottenere informazioni utili e significative. Prioritizzando i guasti critici e fornendo spunti d'azione nei diversi scenari, si ottiene una riduzione degli sforzi di manutenzione e si promuovono misure proattive che portano a prevenire guasti futuri. Inoltre, il framework proposto non solo definisce azioni mirate per affrontare i guasti previsti, ma favorisce anche il miglioramento continuo dei processi sfruttando ancora una volta informazioni ricavate dalle analisi di XAI, garantendo che vengano implementati miglioramenti proattivi anche in assenza di guasti previsti, contribuendo così all'ottimizzazione costante dei processi. Per garantire che il framework venga utilizzato efficacemente, la ricerca ha portato allo sviluppo di una dashboard intuitiva. Questa dashboard guida gli utenti delineando i passaggi necessari per l’analisi e traducendo le complesse informazioni di interpretabilità in un formato facilmente comprensibile. Questo assicura che l'interpretabilità dei dati sia intuitiva e accessibile, consentendo anche ad utenti non esperti di interagire con le informazioni fornite dai modelli di XAI. I risultati presentati in questa ricerca, validati attraverso un caso studio, dimostrano come l'integrazione tra PdM, CI e XAI porti a interventi di manutenzione mirati, basati sui dati ed informazioni trasparenti, che migliorano sia l'eccellenza operativa immediata che quella a lungo termine.