Analisi ed applicazione di modelli diagnostici e prognostici per guasti e prestazioni di componenti di impianti industriali nell’era I4.0

Il ruolo fondamentale che la manutenzione gioca nei costi di esercizio e nella produttività degli impianti industriali ha portato le aziende e i ricercatori a spostare il loro interesse su questo tema. L'ultima frontiera dell'innovazione in campo manutentivo, resa possibile anche dall'avvento della quarta rivoluzione industriale che promuove la sensorizzazione e l’interconnessione di tutti i macchinari di impianto, è la manutenzione predittiva. Essa mira ad ottenere una previsione accurata della vita utile dei componenti degli impianti industriali al fine di ottimizzare la schedulazione degli interventi sul campo. Lo studio parte da una accurata revisione della letteratura scientifica di settore riguardante le tecniche diagnostiche e prognostiche applicate a componenti di impianti industriali, necessaria alla comprensione dei diversi modelli sviluppati in funzione della tipologia di componente e modo di guasto in analisi. Successivamente ho spostato l’attenzione sul concetto di manutenzione 4.0 al fine di mappare tutte le caratteristiche associate al paradigma dell'Industria 4.0 e le loro possibili applicazioni alla manutenzione. Lo studio condotto ha portato poi alla progettazione, sviluppo e validazione delle metodologie necessarie all’applicazione in real-time di modelli diagnostici e prognostici avanzati, sia statistici che machine learning, necessari all’implementazione sul campo di un sistema di manutenzione predittiva. Grazie all’applicazione delle metodologie proposte ad un caso studio è stato possibile non solo validare i modelli proposti ma anche definire l’architettura informatica necessaria alla loro corretta implementazione sul sistema distribuito di controllo (Distributed Control System - DCS) di impianto in funzione della tipologia del componente e del guasto in analisi. I modelli testati e validati hanno mostrato elevate prestazioni diagnostiche soprattutto per quanto riguarda i modelli ML che sfruttano le Support Vector Machine (SVM). In definitiva, questo lavoro di tesi mostra nel dettaglio tutti i passaggi necessari allo sviluppo di un sistema di manutenzione predittiva efficace in impianto: partendo dall’analisi dei modi di guasto e dalla sensorizzazione dei componenti, passando poi allo sviluppo dei modelli diagnostici e prognostici real-time fino alla costruzione dell’interfaccia di visualizzazione dei risultati delle analisi svolte, analizzando anche l’architettura informatica necessaria al suo corretto funzionamento. The fundamental role that maintenance plays in the operating costs and productivity of industrial plants has led companies and researchers to shift their interest in this issue. The last frontier of innovation in the maintenance field, made possible also by the advent of the fourth industrial revolution which promotes the sensorisation and interconnection of all plant machinery, is predictive maintenance. It aims to obtain an accurate forecast of the useful life of the industrial plants’ components in order to optimise the scheduling of interventions in the field. The study starts from an accurate review of the scientific literature concerning the diagnostic and prognostic techniques applied to industrial plant components, necessary to understand the different models developed according to the type of component and failure mode under analysis. Subsequently I shifted the focus to the maintenance 4.0 concept in order to map all the characteristics associated with the Industry 4.0 paradigm and their possible applications to maintenance operations. The study then led to the design, development and validation of the methodologies necessary for the real-time application of advanced diagnostic and prognostic models, both statistical and machine learning, necessary for the field implementation of a predictive maintenance system. Thanks to the application of the proposed methodologies to a case study, it was possible not only to validate the proposed models but also to define the IT architecture necessary for their correct implementation on the plant's Distributed Control System (DCS) according to the type of component and the fault under analysis. The tested and validated models showed high diagnostic performance, especially regarding the Support Vector Machine (SVM) Machine Learning models. Ultimately, this thesis shows in detail all the steps necessary for the development of an effective predictive maintenance system in the plant: starting from the analysis of failure modes and component sensorisation, then moving on to the development of real-time diagnostic and prognostic models up to the build-up of the interface for visualising the results of the analyses carried out, also analysing the IT architecture necessary for its correct operation.