Algoritmi Predittivi per Macchine CNC

Machine maintenance costs in companies are an important slice of the total operating costs of all manufacturing plants. Depending on the specific industry, maintenance expenses can represent between 15 and 60 percent of the cost of the goods produced. Maintenance scheduling is in many cases still determined by equipment failures or the perceptions of maintenance personnel who arbitrarily determine the type and frequency of routine maintenance. This is a purely arbitrary decision, not supported by any kind of factual data. Currently, the industry is going through what experts have called Industry 4.0. This fact is strongly associated with the integration between the physical and digital systems of the production environments that allows the collection of a large amount of data that is collected by different equipment located in different sectors of the plants. By applying data-based analytical approaches, it is possible to find interpretative results for strategic decision-making, providing benefits such as reduced maintenance costs. Predictive Maintenance (PdM) uses predictive tools to determine when maintenance actions are needed. In this thesis work we will experiment some of the main predictive maintenance techniques based on time series and on machine learning models and neural networks.

I costi di manutenzione delle macchine nelle aziende sono una fetta importante dei costi operativi totali di tutti gli impianti di produzione. A seconda del settore specifico, le spese di manutenzione possono rappresentare tra il 15 e il 60 percento del costo dei beni prodotti. La programmazione della manutenzione `e in molti casi ancora determinata da guasti alle apparecchiature o dalle percezioni del personale addetto alla manutenzione che determina arbitrariamente il tipo e la frequenza della manutenzione ordinaria. Questa `e una decisione puramente arbitraria, non supportata da alcun tipo di dato fattuale. Attualmente, l’industria sta attraversando quella che gli esperti hanno chiamato Industria 4.0. Questo fatto `e fortemente associato all’integrazione tra i sistemi fisici e digitali degli ambienti di produzione che consente la raccolta di una grande quantit`a di dati che vengono raccolti da diverse apparecchiature dislocate in diversi settori degli stabilimenti. Applicando approcci analitici basati sui dati, `e possibile trovare risultati interpretativi per il processo decisionale strategico, fornendo vantaggi quali riduzione dei costi di manutenzione. La Manutenzione Predittiva (PdM) utilizza strumenti predittivi per determinare quando sono necessarie azioni di manutenzione. In questo lavoro di tesi si sperimenteranno alcune tra le principali tecniche di manutenzione predittiva basate su serie storiche e su modelli di apprendimento automatico e reti neurali.