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]| 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.
https://hdl.handle.net/20.500.14242/311592
URN:NBN:IT:UNISA-311592