Predictive Maintenance (PdM) strategy is nowadays the most suitable in terms of production efficiency and cost reduction, aiming to perform maintenance actions when needed, avoiding unwanted failures and unnecessary preventive actions. The increasingly use of 4.0 technologies in industries has allowed the adoption of recent advances in machine learning (ML) to develop an effective Predictive Maintenance Strategy (PMS). Moreover, production efficiency considers not only production volumes in terms of produced pieces or working hours, but also product quality (PQ), that is always a more important parameter, also to detect possible failures. In fact, PQ could be used as a parameter for predict possible failures and deeply affects production costs. In this context, this study aims to develop a Product Performance Based Maintenance framework through ML to determine the optimal PdM strategy based on the desired level of product quality and production performance. The framework is divided into three parts, starting from data collection, through the choice of the ML algorithm, and result analysis. The framework has been applied within the production line of electromechanical components. Results show that the link between the variables that describe the state of operation of the machine and the qualitative parameters of the production process allows to control maintenance actions based on scraps optimization, achieving an improvement in the operation of the machine. Moreover, the application of the model to the production process saves about 50% of the costs for machine downtime and 64% of the costs for scraps.

Le strategie di Manutenzione Predittiva (PdM) sono oggi ampiamente utilizzate perché consentono miglioramenti sull’efficienza produttiva e la riduzione dei costi, in quanto prevedono l’esecuzione di azioni di manutenzione solo quando necessario, evitando guasti indesiderati e azioni preventive non necessarie. L'uso crescente di tecnologie 4.0 nell’industria ha consentito l'adozione dei recenti progressi Machine Learning (ML) per sviluppare strategie di manutenzione predittiva (PMS) estremamente efficaci. Inoltre, l'efficienza produttiva tiene conto non solo dei volumi di produzione in termini di pezzi prodotti o di ore lavorate, ma anche della qualità del prodotto (PQ), che è un parametro sempre più importante, anche per rilevare possibili guasti. Infatti, la PQ potrebbe essere utilizzata come parametro per prevedere possibili guasti, e incide profondamente sui costi di produzione. In questo contesto, questa ricerca ha l’obiettivo di creare un framework di manutenzione basato sulla qualità di prodotto attraverso il Machine Learning per determinare la strategia ottimale di manutenzione predittiva in base al livello desiderato di qualità del prodotto. Il framework è suddiviso in tre step, che partono dalla raccolta dei dati, proseguono con la scelta dell'algoritmo di ML, e terminano con l'analisi dei risultati. Il modello è stato testato all'interno di una linea di produzione di componenti elettromeccanici. I risultati mostrano che il legame tra le variabili che descrivono lo stato di funzionamento della macchina ei parametri qualitativi del processo produttivo, consente di impostare le azioni di manutenzione ottimizzando allo stesso tempo il tasso di scarto, ottenendo un miglioramento delle performance della macchina. Inoltre, l'applicazione del modello al processo produttivo consente di risparmiare circa il 50% dei costi per i fermi macchina e il 64% dei costi per gli scarti.

Machine learning for Predictive Maintenance Study of a predictive model based on product quality / Riccio, Carlo. - (2022 Dec 16).

Machine learning for Predictive Maintenance Study of a predictive model based on product quality

RICCIO, CARLO
2022

Abstract

Predictive Maintenance (PdM) strategy is nowadays the most suitable in terms of production efficiency and cost reduction, aiming to perform maintenance actions when needed, avoiding unwanted failures and unnecessary preventive actions. The increasingly use of 4.0 technologies in industries has allowed the adoption of recent advances in machine learning (ML) to develop an effective Predictive Maintenance Strategy (PMS). Moreover, production efficiency considers not only production volumes in terms of produced pieces or working hours, but also product quality (PQ), that is always a more important parameter, also to detect possible failures. In fact, PQ could be used as a parameter for predict possible failures and deeply affects production costs. In this context, this study aims to develop a Product Performance Based Maintenance framework through ML to determine the optimal PdM strategy based on the desired level of product quality and production performance. The framework is divided into three parts, starting from data collection, through the choice of the ML algorithm, and result analysis. The framework has been applied within the production line of electromechanical components. Results show that the link between the variables that describe the state of operation of the machine and the qualitative parameters of the production process allows to control maintenance actions based on scraps optimization, achieving an improvement in the operation of the machine. Moreover, the application of the model to the production process saves about 50% of the costs for machine downtime and 64% of the costs for scraps.
Machine learning for Predictive Maintenance Study of a predictive model based on product quality
16-dic-2022
Le strategie di Manutenzione Predittiva (PdM) sono oggi ampiamente utilizzate perché consentono miglioramenti sull’efficienza produttiva e la riduzione dei costi, in quanto prevedono l’esecuzione di azioni di manutenzione solo quando necessario, evitando guasti indesiderati e azioni preventive non necessarie. L'uso crescente di tecnologie 4.0 nell’industria ha consentito l'adozione dei recenti progressi Machine Learning (ML) per sviluppare strategie di manutenzione predittiva (PMS) estremamente efficaci. Inoltre, l'efficienza produttiva tiene conto non solo dei volumi di produzione in termini di pezzi prodotti o di ore lavorate, ma anche della qualità del prodotto (PQ), che è un parametro sempre più importante, anche per rilevare possibili guasti. Infatti, la PQ potrebbe essere utilizzata come parametro per prevedere possibili guasti, e incide profondamente sui costi di produzione. In questo contesto, questa ricerca ha l’obiettivo di creare un framework di manutenzione basato sulla qualità di prodotto attraverso il Machine Learning per determinare la strategia ottimale di manutenzione predittiva in base al livello desiderato di qualità del prodotto. Il framework è suddiviso in tre step, che partono dalla raccolta dei dati, proseguono con la scelta dell'algoritmo di ML, e terminano con l'analisi dei risultati. Il modello è stato testato all'interno di una linea di produzione di componenti elettromeccanici. I risultati mostrano che il legame tra le variabili che descrivono lo stato di funzionamento della macchina ei parametri qualitativi del processo produttivo, consente di impostare le azioni di manutenzione ottimizzando allo stesso tempo il tasso di scarto, ottenendo un miglioramento delle performance della macchina. Inoltre, l'applicazione del modello al processo produttivo consente di risparmiare circa il 50% dei costi per i fermi macchina e il 64% dei costi per gli scarti.
Machine learning for Predictive Maintenance Study of a predictive model based on product quality / Riccio, Carlo. - (2022 Dec 16).
File in questo prodotto:
File Dimensione Formato  
PhD_Thesis_CarloRiccio_rev02.pdf

Open Access dal 17/12/2023

Descrizione: Tesi Carlo Riccio
Tipologia: Tesi di dottorato
Dimensione 3.29 MB
Formato Adobe PDF
3.29 MB Adobe PDF Visualizza/Apri
Pubblicazioni consigliate

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11577/3471134
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
  • OpenAlex ND
social impact