Data-driven methodologies for Predictive Maintenance and TPM implementation: research approaches and applications

Negli ultimi anni, la diffusione dell'Industria 4.0 (I4.0) ha reso disponibile una grande quantità di dati in real time riguardo le condizioni operative degli impianti industriali. Tali dati possono essere analizzati attraverso metodologie data-driven per il riconoscimento di comportamenti anomali e la definizione delle strategie di Manutenzione Predittiva (PdM). Allo stesso modo, l’applicazione delle tecnologie I4.0 in ottica Lean Production (LP), come ad esempio nell’ambito della Total Productive Maintenance (TPM), può risultare vincente in quanto la LP è ancora una delle soluzioni industriali più efficienti nel settore manifatturiero. Nell'era dell’I4.0, l'obiettivo della presente tesi è quindi quello di proporre nuove metodologie data-driven per l’applicazione di strategie di PdM e TPM. Per quanto riguarda le strategie PdM, sono state proposte tre diverse applicazioni. In primo luogo, è stato sviluppato un framework che integra diverse tecniche di Data Mining (DM) per la classificazione dei modi di guasto in base alla loro influenza sull'Overall Equipment Effectiveness (OEE), e la successiva identificazione delle relazioni considerate critiche, ovvero, quelle tra i modi di guasto appartenenti alla fascia OEE più bassa. Successivamente, l’analisi è stata complicata proponendo due nuovi frameworks basati sull’applicazione di algoritmi di Machine Learning (ML). In particolare, il Sequential Pattern Mining (SPM) è stato utilizzato per analizzare le sequenze di guasti e riconoscere i modelli ricorrenti tra i guasti che si verificano in una linea produttiva. Nell’ultima applicazione, viene utilizzata invece la Sequential Long Short-Term Memory (LSTM) per comprenderne le potenzialità da un punto di vista pratico. Infine, le tre metodologie data-driven sono state testate nel caso di una nota azienda italiana del settore automobilistico per identificare la metodologia con le migliori capacità predittive. L’obiettivo finale è stato quello di implementare una vera e propria piattaforma auto apprendente per la manutenzione predittiva nel caso studio in esame. Quattro ulteriori frameworks sono stati poi sviluppati nell’ambito del TPM. In primo luogo, è stato analizzato l’OEE, in qualità di indicatore principale del TPM, tramite l’applicazione delle Association Rules (AR) e la Network Analysis (NA). Successivamente, è stata proposta un'estensione del framework che mira alla progressiva implementazione del TPM tenendo conto sia dei fattori di perdita che di miglioramento dell'OEE, nonché della loro influenza sugli eventi del processo produttivo. Infine, è stato anche studiato il pilastro inerente all’Administrative TPM con l’obbiettivo di fornire supporto ai processi produttivi anche attraverso il miglioramento delle funzioni logistiche. In particolare, sono state proposte due nuove metodologie che mirano, da un lato, alla riduzione dei ritardi nell'evasione degli ordini in un magazzino tradizionale tramite una revisione dell’analisi ABC incrociata e, dall’altro lato, alla riduzione dei problemi di approvvigionamento in un Automated Storage and Retrieval System (ASRS) integrando tecniche di AR e di simulazione.In recent years, the diffusion of Industry 4.0 (I4.0) made available a vast amount of real-time data on the operating conditions of industrial plants. Such data can be analyzed through data-driven algorithms to recognise anomalous behaviours and define Predictive Maintenance (PdM) strategies. Likewise, using I4.0 technologies from a Lean Production (LP) perspective, such as in Total Productive Maintenance (TPM), can be successful since it is still one of the most efficient industrial solutions in manufacturing. The aim of this thesis is thus to propose new data-driven methodologies for implementing both PdM and TPM strategies in the era of I4.0. Concerning PdM strategies, three different applications are presented. First, a framework integrating multiple Data Mining (DM) techniques allows for classifying failure modes according to their influence on the Overall Equipment Effectiveness (OEE) and then identifying relationships among those in the lowest OEE range. Then, two additional frameworks are proposed based on Machine Learning (ML) algorithms to complicate the analysis. Sequential Pattern Mining (SPM) is first used to analyse failure-related sequences recognizing recurrent patterns among failure occurrences across the production line. In contrast, sequential Long Short-Term Memory (LSTM) is used in the third application to understand its practical potentiality. The three data-driven methodologies are, in fact, tested on a well-known Italian company in the automotive sector to identify the best predictive capabilities leading to developing and implementing a real self-learning platform for PdM. Four additional frameworks are then proposed from a TPM perspective. First, OEE is investigated as the leading TPM indicator applying Association Rules (ARs) and Network Analysis (NA) in the automotive company. Then, an extension of the framework aims to progressively implement TPM based on both the loss and better OEE factors and production events. Eventually, since TPM must embrace the entire company, the Administrative TPM pillar is achieved to support production processes by improving logistics operations. In particular, two new methodologies aim to reduce order processing delays in a traditional warehouse by revising the formal cross-ABC analysis and sourcing parts issues in an Automated Storage and Retrieval System (ASRS) through ARs and simulations techniques