Metodologie data-driven a supporto della manutenzione predittiva. Applicazioni in ambito robotica nell’era Industry 4.0 = Data-driven methodologies to support predictive maintenance. Applications in the robotics field in the Industry 4.0 era

Lo sviluppo tecnologico negli ultimi anni ha compiuto passi da gigante, dando forma a nuove invenzioni, nuovi modelli di business e nuovi settori in campo industriale e dei servizi, che fino a poco tempo fa neanche esistevano e che stanno rivoluzionando la vita quotidiana dell’uomo. L’evoluzione digitale ha fatto sì che chiunque, anche solo utilizzando il proprio smartphone, possa collezionare e trasmettere informazioni di valore che possono essere sfruttate in moltissimi modi diversi. Il motivo dell’importanza dei dati – che provengano dalle persone, dall’uso di internet o dalle macchine di una fabbrica – è molto semplice: essi permettono di capire al meglio il mondo in cui viviamo, consentono di ottimizzare i nostri sforzi dirigendoli in direzioni ben precise e in alcuni casi danno la possibilità di creare modelli di predizione del futuro tramite algoritmi induttivi, che dai casi particolari comprendono il comportamento di sistemi sempre più generali. Pertanto, questa tesi s’inserisce nell’ambito della big data analytics, andando ad approfondire nel dettaglio il contesto che ha permesso a questa tecnologia di divenire così determinante negli ultimi anni. In particolare, grazie alla collaborazione con Comau S.p.a., ci si occuperà di una casistica reale con l’applicazione di alcune tecniche di data mining su dati raccolti in ambito industriale. Il caso di studio affrontato, riguarda un progetto di manutenzione predittiva, effettuato tramite lo studio approfondito del segnale di corrente emesso da un robot appartenente a Comau stessa. Questa analisi ha lo scopo primario di cercare di cogliere, prima che sia troppo tardi, i segni di un possibile malfunzionamento del braccio robotico, probabilmente dovuto ad un cattivo tensionamento della sua cinghia di trasmissione, tramite dei modelli predittivi di classificazione in grado di avvisare nel momento in cui è necessario un intervento di riparazione. In questo elaborato, dopo la descrizione della fase di preprocessing sui dati a disposizione (contenenti, oltre al segnale di corrente raccolto durante il ciclo di lavoro del robot, il numero di rondelle impostate, che determinano il tensionamento della sua cinghia di trasmissione), vengono portati avanti due diversi filoni di analisi, sfruttando gli algoritmi Random Forest e Isolation Forest, per giungere allo scopo finale: un modello generale e un modello evolutivo. Il primo serve per addestrare il classificatore a riconoscere le differenze tra 5 gruppi di dati già etichettati, cercando una minima quantità di dati per poter ottenere valori adeguate per le metriche di valutazione scelte (accuratezza, precisione e richiamo) e sfruttando l’ordine temporale dei cicli per poter simulare appunto il trascorrere del tempo. Il secondo modello invece serve per individuare un degrado nelle prestazioni della macchina nei casi in cui non sia conosciuto il reale valore dell’etichetta dei dati. Le valutazioni dei suoi risultati sono state effettuate tramite il calcolo della silhouette per constatare che ogni volta che venivano aggiunti nuovi dati, differenti dal dataset usato per addestrare il modello, essa registrava valori più bassi, ad indicare una minore coesione dei diversi gruppi e quindi un comportamento anomalo della macchina.