Il Facility Management è una disciplina in via di sviluppo che ha ricevuto l'attenzione di professionisti e ricercatori negli ultimi anni. Nell'industria ciò è dovuto principalmente all'importanza dell'efficienza nel processo produttivo e alla sua rilevanza economica. La moderna gestione delle strutture considera vari interessi legati alle risorse materiali e, tra gli altri, interessi sociali e ambientali. Un'importante opportunità per il miglioramento di questa disciplina deriva dall'introduzione delle tecnologie dell'industria 4.0 per la gestione delle risorse materiali. L'obiettivo di questa ricerca è sviluppare un approccio generale per la gestione della manutenzione degli impianti industriali basato su tecnologie Industria 4.0, per supportare il processo decisionale nei programmi di manutenzione e contribuire al miglioramento continuo delle attività di manutenzione, da cui deriva anche il miglioramento della produzione prestazioni del processo. Partendo da un modello di facility management per la manutenzione degli asset industriali, sviluppiamo un approccio generale alla manutenzione basato su Internet of Things e Cyber-Physical Systems, che permette di ragionare sull'implementazione di un'efficace Organizational Facility Management Unit. Quindi, sfruttando le tecnologie Internet of Things, Big Data e Machine Learning per l'acquisizione, l'analisi e l'elaborazione dei dati industriali, contribuiamo al miglioramento della gestione degli impianti industriali fornendo una nuova metodologia che ha consentito la progettazione e l'implementazione di nuovi strumenti per supportare la gestione degli impianti industriali. In particolare, in questo lavoro ci concentreremo sul problema della manutenzione delle macchine utensili e proporremo due nuovi strumenti software che sfruttano le tecnologie di Industry 4.0 per migliorare gli approcci tradizionali proposti nell'area Total Productive Maintenance. Il primo strumento è un'applicazione software sviluppata per supportare i processi di pianificazione ed esecuzione delle operazioni di manutenzione, massimizzando l'efficacia delle strategie di gestione della manutenzione Time-Based Maintenance e Breakdown Maintenance. Il secondo strumento è un'applicazione di Manutenzione Predittiva sviluppata per supportare i processi decisionali nei programmi di manutenzione, utilizzando la tecnica delle miscele gaussiane. Il modello predittivo è stato applicato a dati reali dell'industria automobilistica italiana. Questo studio propone una metodologia che può essere utilizzata come linea guida per l'implementazione di un ufficio di manutenzione degli impianti che persegua il miglioramento continuo nella gestione degli asset industriali all'interno dello scenario di Industria 4.0. [a cura dell'Autore]

Industrial Facility Management

TORO LAZO, Alonso
2022

Abstract

Il Facility Management è una disciplina in via di sviluppo che ha ricevuto l'attenzione di professionisti e ricercatori negli ultimi anni. Nell'industria ciò è dovuto principalmente all'importanza dell'efficienza nel processo produttivo e alla sua rilevanza economica. La moderna gestione delle strutture considera vari interessi legati alle risorse materiali e, tra gli altri, interessi sociali e ambientali. Un'importante opportunità per il miglioramento di questa disciplina deriva dall'introduzione delle tecnologie dell'industria 4.0 per la gestione delle risorse materiali. L'obiettivo di questa ricerca è sviluppare un approccio generale per la gestione della manutenzione degli impianti industriali basato su tecnologie Industria 4.0, per supportare il processo decisionale nei programmi di manutenzione e contribuire al miglioramento continuo delle attività di manutenzione, da cui deriva anche il miglioramento della produzione prestazioni del processo. Partendo da un modello di facility management per la manutenzione degli asset industriali, sviluppiamo un approccio generale alla manutenzione basato su Internet of Things e Cyber-Physical Systems, che permette di ragionare sull'implementazione di un'efficace Organizational Facility Management Unit. Quindi, sfruttando le tecnologie Internet of Things, Big Data e Machine Learning per l'acquisizione, l'analisi e l'elaborazione dei dati industriali, contribuiamo al miglioramento della gestione degli impianti industriali fornendo una nuova metodologia che ha consentito la progettazione e l'implementazione di nuovi strumenti per supportare la gestione degli impianti industriali. In particolare, in questo lavoro ci concentreremo sul problema della manutenzione delle macchine utensili e proporremo due nuovi strumenti software che sfruttano le tecnologie di Industry 4.0 per migliorare gli approcci tradizionali proposti nell'area Total Productive Maintenance. Il primo strumento è un'applicazione software sviluppata per supportare i processi di pianificazione ed esecuzione delle operazioni di manutenzione, massimizzando l'efficacia delle strategie di gestione della manutenzione Time-Based Maintenance e Breakdown Maintenance. Il secondo strumento è un'applicazione di Manutenzione Predittiva sviluppata per supportare i processi decisionali nei programmi di manutenzione, utilizzando la tecnica delle miscele gaussiane. Il modello predittivo è stato applicato a dati reali dell'industria automobilistica italiana. Questo studio propone una metodologia che può essere utilizzata come linea guida per l'implementazione di un ufficio di manutenzione degli impianti che persegua il miglioramento continuo nella gestione degli asset industriali all'interno dello scenario di Industria 4.0. [a cura dell'Autore]
7-ago-2022
Inglese
Maintenance
Facility manangement
Industry 4.0
NOTA, Giancarlo
ANTONELLI, Valerio
TAGLIAFERRI, Roberto
Università degli Studi di Salerno
File in questo prodotto:
File Dimensione Formato  
26902142328621584791363874650929875799.pdf

accesso aperto

Licenza: Tutti i diritti riservati
Dimensione 3.89 MB
Formato Adobe PDF
3.89 MB Adobe PDF Visualizza/Apri
98468971262863478614784737329599155892.pdf

accesso aperto

Licenza: Tutti i diritti riservati
Dimensione 246.03 kB
Formato Adobe PDF
246.03 kB Adobe PDF Visualizza/Apri

I documenti in UNITESI 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/20.500.14242/311592
Il codice NBN di questa tesi è URN:NBN:IT:UNISA-311592