Machine learning per la manutenzione predittiva

In recent years, Industry 4.0, a new industrial paradigm, has gained interest worldwide, leading many manufacturers and organisations to engage in significant digital transformations. This has been key to facing market challenges, such as growing competition, short response times to changes, cost reductions and production reliability, which must be done to meet customers’ needs. In this context, emerging technologies and concepts have had important roles in the development of smart and agile manufacturing and smart factories (Kunst et al. 2019). Maintenance has been identified as a lever for improving company performance (Nakajima 1988). A crucial activity for maintenance managers is the balancing of several maintenance strategies to optimise company maintenance policy and minimise overall costs. The development of AI has provided new possibilities for performing data-driven PdM, which might address mainstream maintenance requirements and challenges. However, most literature in this field has focused only on determining failed states and on predicting failures. There is a lack of studies on integrating this information with maintenance decision support (Barraza-Barraza et al. 2014). Jardine et al. (2006) did identify the reasons that advanced maintenance has not been well implemented in industries. There were four reasons; the first was a lack of useful data due to incorrect data collection approaches, no data collection and/or no data storage. The second was a lack of efficient communication between theory developers and practitioners in the areas of reliability and maintenance, while the third was a lack of efficient validation approaches. The fourth was implementation difficulties due to frequent changes in designs, technologies, business policies and management executives. This study also collected feedback on personal experiences with industrial projects. Similarly, Barraza-Barraza et al. (2014) identified the development of models from a systematic approach as ’one of the biggest challenges of PdM research’. This research was conducted thanks to, and in close collaboration with, MIPU Machine Care, the Italian leader in the field of PdM. The company identifies AI techniques that provide opportunities to enhance maintenance management and cooperation and to allow companies to grow and ensure efficiency. The research was conducted within the field of industrial plants, and this context was reduced to the field of data-driven PdM, particularly ML used for maintenance decision-making. The objective of this study was to support practitioners and researchers in using ML techniques to increase plant availabilities and transition to the use of ML-based PdM. A mixed-method approach was used that combined qualitative and quantitative research aspects to produce a rich and comprehensive understanding of the topic. A methodological framework was used as a tool to guide practitioners through a sequence of steps to complete ML-based PdM implementation. A mathematical model provided an abstraction of the ML-based PdM process that allowed practitioners to predict the outcomes of the method’s application. Further, DT modelling was used for early decision-making processes in which there was a lack of data, and a conceptual framework was used to obtain a comprehensive understanding of ML algorithms and the decision variables needed for their selection in accordance with PdM objectives. Using these research methods, the four RQs to be answered. Finally, the study provide a structured methodology for the technical-economic evaluation of ML-based PdM. It made several theoretical contributions to address gaps in extant literature. Further, this study’s findings were relevant to practitioners interested in transitioning companies to the use of ML-based PdM. Indeed, the research supported maintenance decision makers and data scientists with the use of several frameworks and procedures. ​

Negli ultimi anni, il nuovo paradigma industriale dell’Industry 4.0, ha suscitato interesse in tutto il mondo, portando molte aziende a impegnarsi in significative trasformazioni digitali. Questa è stata la chiave per affrontare le sfide del mercato, come la crescente concorrenza, i brevi tempi di risposta ai cambiamenti, la riduzione dei costi e l’affidabilità della produzione. In questo contesto, le emergenti tecnologie hanno avuto ruoli importanti nello sviluppo della produzione intelligente e agile e delle fabbriche intelligenti (Kunst et al. 2019). La manutenzione è stata identificata come una leva per migliorare le prestazioni aziendali (Nakajima 1988). Un’attività cruciale per i responsabili della manutenzione è il bilanciamento di diverse strategie di manutenzione per ottimizzare la politica di manutenzione e ridurre al minimo i costi complessivi. Lo sviluppo dell’intelligenza artificiale ha fornito nuove possibilità per diffondere la manutenzione predittiva data-driven. Tuttavia, la maggior parte della letteratura in questo campo si è concentrata solo sull’identificazione e sulla previsione dei guasti. Mancano studi sull’integrazione di queste informazioni nel processo decisionale (Barraza-Barraza et al. 2014). Jardine et al. (2006) ha identificato i motivi per cui l’advanced maintenance non è stata implementata nelle industrie. In primo luogo c’è la mancanza di dati utili a causa di approcci di raccolta dati errati. In secondo luogo c’è la mancanza di una comunicazione efficiente tra i ricercatori e i professionisti nelle aree dell’affidabilità e della manutenzione, mentre il terzo motivo è la mancanza di approcci di validazione efficienti. Infine, il quarto motivo riguarda le difficoltà di implementazione dovute ai frequenti cambiamenti nei progetti, nelle tecnologie, nelle politiche aziendali e nei dirigenti. Allo stesso modo, Barraza-Barraza et al. (2014) hanno identificato come ’una delle maggiori sfide della ricerca’ sia lo sviluppo di un approccio strutturato e standardizzato. Questa ricerca è stata condotta grazie e in stretta collaborazione con MIPU Machine Care, leader italiano nel campo della PdM. MIPU Machine Care ha individuato nelle tecniche di IA un’opportunità per migliorare la gestione della manutenzione e collaborare per la crescita e l’efficienza delle aziende. La ricerca è stata condotta nell’ambito degli impianti industriali, e questo contesto è stato ridotto al campo del data-driven PdM, con focus sulle applicazioni di tecniche di ML. L’obiettivo di questo studio era supportare professionisti e ricercatori nell’utilizzo di tecniche di ML per aumentare la disponibilità degli impianti e passare all’applicazione della ML-based PdM. È stato utilizzato un approccio che combinava aspetti di ricerca qualitativi e quantitativi per produrre una comprensione completa dell’argomento. È stato utilizzato un framework metodologico come strumento per guidare i professionisti all’implementazione del ML-based PdM. Un modello matematico ha fornito un’astrazione del processo ML-based PdM che ha consentito ai professionisti di prevedere i risultati dell’applicazione del metodo. Inoltre, la modellazione degli alberi decisionali è stata utilizzata per supportare i processi decisionali ed è stato implementatio un framework concettuale per ottenere una comprensione completa degli algoritmi di ML e delle variabili decisionali necessarie per la loro selezione in conformità con gli obiettivi della PdM. Utilizzando questi metodi di ricerca, sono state affrontate le quattro research questions formulate. Lo studio fornisce una metodologia strutturata per la valutazione tecnica ed economica del ML-based PdM. Ha fornito numerosi contributi teorici per colmare le lacune nella letteratura esistente. Inoltre, i risultati di questo studio sono stati rilevanti per i professionisti interessati a far passare le aziende verso l’applicazione del ML-based PdM. ​