Advancing fleet-wide intelligence for maintenance services

This research investigates how advanced artificial intelligence technologies can extend the Open System Architecture for Condition-Based Maintenance (OSA-CBM) framework to support fleet- wide maintenance intelligence in modern manufacturing environments. Conducted within an industrial PhD context at a production machines builder, this work builds on the traditional OSA- CBM implementations to enhance the framework's applicability in contemporary Industry 4.0 contexts characterized by interconnected fleets and digital servitization. Following Design Science Research methodology, this dissertation develops and validates a methodological extension of the OSA-CBM framework enriched with three key technological interventions. First, transfer learning is embedded within the state detection layer to enable rapid deployment of anomaly detection models across heterogeneous machine fleets, reducing model development time while maintaining detection accuracy. Second, dynamic health assessment is introduced through fleet-wide machine clustering methods that transform traditional periodic evaluations into real-time, action-oriented processes. Third, generative AI-driven orchestration is integrated into the advisory generation layer, creating a multi-agent system capable of autonomous self-diagnosis and self-troubleshooting that reduces recovery times and allows for improved resources utilization . The research demonstrates that these technological extensions fundamentally transform OSA- CBM from a machine-level diagnostic tool into an enterprise-wide, real-time maintenance decision-support architecture. By shifting from asset-centric to fleet-centric operations, from periodic to dynamic assessments, and from local recommendations to plant-wide resource orchestration, the extended framework enables scalable, responsive, and adaptive cyber-physical systems that converge production assets with intelligent digital services. While focusing on managerial implications including organizational transformation requirements, human-AI collaboration dynamics, infrastructure demands, and business model considerations for digital servitization strategies, the dissertation contributes to advancing condition-based maintenance theory and prognostics and health management practice by demonstrating how established reference architectures can evolve through targeted technological enrichment while maintaining interoperability and industrial applicability. Limitations related to partial deployment scope, governance mechanisms, IT infrastructure requirements, and business model validation indicate directions for future research in enterprise-scale implementation, socio-technical adaptation, and value capture strategies.

Questa ricerca indaga come le tecnologie avanzate di intelligenza artificiale possano estendere il framework OSA-CBM (Open System Architecture for Condition-Based Maintenance) per supportare un'intelligenza manutentiva a livello di flotta negli ambienti produttivi moderni. Condotto nel contesto di un dottorato industriale presso un costruttore di macchine per la produzione, questo lavoro si fonda sulle implementazioni tradizionali dell'OSA-CBM per potenziarne l'applicabilità nei contesti contemporanei dell'Industria 4.0, caratterizzati da flotte interconnesse e dalla servitizzazione digitale. Seguendo la metodologia della Design Science Research, questa dissertazione sviluppa e valida un'estensione metodologica del framework OSA-CBM arricchita da tre interventi tecnologici chiave. In primo luogo, il transfer learning viene integrato nello strato di rilevamento dello stato per consentire il deployment rapido di modelli di anomaly detection su flotte di macchine eterogenee, riducendo i tempi di sviluppo dei modelli senza compromettere l'accuratezza del rilevamento. In secondo luogo, la valutazione dinamica dello stato di salute viene introdotta attraverso metodi di clustering a livello di flotta che trasformano le valutazioni periodiche tradizionali in processi in tempo reale orientati all'azione. In terzo luogo, l'orchestrazione guidata dall'IA generativa viene integrata nello strato di generazione delle raccomandazioni, creando un sistema multi-agente capace di auto-diagnosi e auto-risoluzione autonoma dei guasti, con conseguente riduzione dei tempi di ripristino e miglioramento dell'utilizzo delle risorse. La ricerca dimostra che queste estensioni tecnologiche trasformano in modo sostanziale l'OSA-CBM, facendolo evolvere da strumento diagnostico a livello di singola macchina a un'architettura di supporto decisionale manutentivo in tempo reale su scala enterprise. Attraverso il passaggio da operazioni asset-centriche a operazioni fleet-centriche, da valutazioni periodiche a valutazioni dinamiche e da raccomandazioni locali a un'orchestrazione delle risorse a livello di impianto, il framework esteso abilita sistemi cyber-fisici scalabili, reattivi e adattativi che convergono gli asset produttivi con servizi digitali intelligenti. Pur ponendo l'accento sulle implicazioni manageriali — tra cui i requisiti di trasformazione organizzativa, le dinamiche di collaborazione uomo-macchina, le esigenze infrastrutturali e le considerazioni sui modelli di business per le strategie di servitizzazione digitale — la dissertazione contribuisce all'avanzamento della teoria della manutenzione basata sulle condizioni e della pratica della Prognostics and Health Management, dimostrando come architetture di riferimento consolidate possano evolversi attraverso un arricchimento tecnologico mirato, mantenendo al contempo l'interoperabilità e l'applicabilità industriale. Le limitazioni relative alla parzialità del perimetro di deployment, ai meccanismi di governance, ai requisiti di infrastruttura IT e alla validazione dei modelli di business delineano le direzioni per la ricerca futura in materia di implementazione su scala enterprise, adattamento socio-tecnico e strategie di value capture.