Sviluppo di un modello di manutenzione predittiva basato sulla combinazione di metodi physics-based e data-driven. = Development of a predictive maintenance model based on the combination of physics-based and data-driven methods.

Il processo di manutenzione è cruciale in tutti i sistemi soggetti a guasti o degradazione, in particolare nelle attività manifatturiere. Infatti, i costi di manutenzione possono raggiungere fino al 40% del costo di produzione in determinati settori. Nella piena evoluzione del fenomeno dell’industria 4.0 si stanno diffondendo dei metodi di manutenzione che consentono di effettuare interventi più efficaci che, massimizzando l’utilizzo dei componenti nella loro vita utile, riducono i costi operativi e i tempi di inattività. Tali metodi sono identificati con la categoria manutenzione predittiva e includono diverse tecnologie innovative, come l’IoT per la diffusione dei sensori che monitorano le macchine e l’AI che fornisce gli algoritmi per interpretare i dati raccolti. Un processo specifico di manutenzione è il Tool Condition Monitoring , il quale ha l’obiettivo di monitorare le condizioni dell’utensile di una macchina affinchè possa produrre dei pezzi lavorati che rispettino i requisiti di progettazione. Ciò è necessario poiché, a causa delle sollecitazioni a cui è sottoposto l’utensile nel processo di lavorazione, esso è soggetto a diversi fenomeni di degradazione i quali ne compromettono la qualità superficiale realizzata dall’utensile. La ricerca di tesi si basa sul monitoraggio dell’utensile della fresatura, uno dei processi più diffusi nell’ambito delle lavorazioni meccaniche. Di tale utensile il processo di degradazione che influenza maggiormente la qualità di lavorazione è la flank wear, la quale è difficile da monitorare direttamente a causa delle misurazioni onerose. Da qui nasce la necessità di un metodo di manutenzione predittiva, con lo scopo di prevedere l’andamento del processo di usura con l’utilizzo di sensori che misurano parametri indiretti, come le vibrazioni e le emissioni acustiche. Sulla base del dataset sperimentale milling (NASA-PCoE) sono stati implementati e confrontati diversi metodi data driven, tra cui il modello di serie storiche ARIMA e i principali algoritmi machine learning (ML), e sono stati confrontati con un metodo, basato sulla relazione di Taylor sulla vita utile dell’utensile, più tradizionale physics based. Dalle peculiarità dell’algoritmo basato sulle reti neurali, modello ML risultato migliore, e del modello di Taylor è stato sviluppato un modello ibrido che sfrutta entrambe le potenzialità.