Titolo della tesi: MANUTENZIONE SU CONDIZIONE DI PROCESSI PRODUTTIVI TIME-VARIANT: EVOLUZIONE VERSO APPROCCI DATA-DRIVEN E NON SUPERVISIONATI
L’obiettivo di questo abstract è quello di delineare le tematiche affrontate e il percorso seguito all’interno di questa tesi di dottorato, con il fine di introdurre il lettore nello specifico contesto, permettendo la successiva lettura dell’intera tesi con una consapevolezza maggiore e una sufficiente visione di insieme.
Ebbene, la seguente tesi di dottorato in “Ingegneria Industriale e Gestionale” riassume un percorso di ricerca scientifica cominciato affrontando il macro-tema della manutenzione su condizione, settore di ricerca, se lo si osserva nella sua interezza, vasto, complesso e dibattuto, tendenzialmente, da tanti e tanti anni. Il concetto di manutenzione su condizione ha assunto, nel tempo, varie sfaccettature, delineate principalmente da una crescita tecnologica che ha modificato nel tempo il concetto di parametri di processo, di sensoristica e di analisi di dati. Le definizioni che sono state date di manutenzione su condizione, a vari livelli di dettaglio, sono molteplici. Se ne vogliamo anticipare il significato, con il termine manutenzione su condizione si intende l’approccio manutentivo per il quale la necessità di un’azione manutentiva è definita sulla base dell’analisi dei parametri di processo che possono rappresentare lo stato di salute del macchinario, o dei macchinari, che si sta monitorando. Ci si è volti ad una manutenzione sempre meno basata sulla costruzione di specifici modelli del funzionamento dei macchinari e sempre di più basata sulla semplice, se così la si può definire, analisi di dati. I dati ci raccontano la storia di un macchinario, ci raccontano il suo presente e, in maniera sempre più preponderante, il suo futuro.
È evidente però che affermare di aver fatto un dottorato sulla manutenzione su condizione sarebbe del tutto errato, evidenza del fatto che, alla fine, del percorso intrapreso si è compreso ben poco. Questo per vari motivi. In primo luogo, i processi industriali, così come, di riflesso, i macchinari, non sono tutti uguali. Ogni processo produttivo ha le sue peculiarità e le sue caratteristiche, che ne rendono il monitoraggio e la conseguente manutenzione su condizione più o meno complicata. In secondo luogo, la scelta delle tecniche da applicare per il monitoraggio dei processi delinea una chiara linea di gestione della fase di monitoraggio, della raccolta dati e soprattutto dell’analisi stessa. Scegliere, ad esempio, tra tecniche supervisionate o non supervisionate traccia un ben definito percorso di tutto il processo di strutturazione dell’analisi e dei conseguenti modelli di monitoraggio che ne conseguono.
Il contesto industriale trabocca di processi produttivi diversi, così come le tecniche di analisi dei dati sono sempre più ricche, specifiche e con differenti obiettivi. Per affrontare un percorso di ricerca sulla manutenzione su condizione tutto questo deve essere scolpito nella mente ed essere il driver di ogni successiva scelta. Ritengo infatti che non ci sia spazio per la ricerca fine a se stessa nel contesto industriale, ma che la ricerca debba essere collegata saldamente ai bisogni che palesa il contesto industriale stesso. Più la ricerca risponderà a bisogni concreti, più, secondo me, avrà avuto successo. Non c’è più spazio per analisi di monitoraggio su processi industriali “ideali”, c’è bisogno di calarsi nel vivo di processi industriali reali.
D’altro canto, non si può non notare come la manutenzione su condizione, nelle sue varie declinazioni, sia oggetto di ricerca da molto tempo, da vari punti di vista e un po’ in ogni parte del mondo. Questo ha fatto sì che all’inizio del percorso di dottorato ci si ponesse una semplice domanda, la cui risposta, purtroppo, non risultava altrettanto semplice ed evidente:
“Quali sono le necessità attuali della ricerca sul tema della manutenzione su condizione e come posso apportare il mio contributo in questo senso?”
La risposta a questa domanda è stata l’input per l’avvio del mio percorso di ricerca, ponendomi davanti al difficile, seppur necessario, compito di delineare quale fosse il punto di partenza della tesi e, anche se questo ha chiaramente preso forma a mano a mano che la ricerca produceva dei risultati, dove quest’ultima mi potesse, o meglio dovesse, portare.
Il tutto verrà approfondito successivamente nella tesi, ma è mia premura che questo abstract sia quanto più possibile completo di tutte le informazioni che verranno poi snocciolate nella tesi. I processi per i quali la manutenzione su condizione ha evidenziato la necessità di approfondimenti della ricerca sono quelli che si possono definire come time-variant, termine che può, in maniera brutale, essere italianizzato come “processi variabili nel tempo”. In questo tipo di processi, a differenza di altri, la risposta del sistema dipende dal momento in cui esso viene stimolato da un input. È evidente come questa caratteristica complichi notevolmente le analisi. Ciò che si può ritenere anomalo in cui momento del processo, lo si deve ritenere normale in un altro. E ulteriore elemento di attenzione è che questa variabilità interna ai processi produttivi possa essere, in realtà, indotta da varie e differenti cause. Abbiamo una peculiarità all’interno di un processo produttivo di per sé già esso stesso peculiare. Prima di analizzare il processo ci si deve chiedere: è variabile perché composto da diverse fasi produttive? Lo è perché i carichi di lavoro sono altamente variabili nel tempo? La variabilità è dovuta a condizioni di esercizio diverse? In generale, cosa provoca questa variabilità nel sistema?
È evidente, quindi, che la nicchia di ricerca sia stata ben definita, verranno trattati i processi time-variant.
Ma questo non basta, perché, chiaramente, non sono stata io a scoprire l’esistenza di questo tipo di processi produttivi. Essi, seppure la letteratura mostri che c’è ancora tanto spazio, e necessità, di ricerca in questo settore, sono stati comunque già investigati da altri ricercatori. In che modo, quindi, la ricerca condotta durante questo dottorato può aggiungere un tassello in questo enorme puzzle? Si è deciso, quindi, di identificare, a livello di tecniche, che bisogni e che lacune si potessero riscontrare in letteratura. Le risposte sono state due. Da un lato, la difficoltà di reperimento di dati di guasto con i quali allenare un modello di analisi di dati è, oggigiorno, un tema ricorrente. Il guasto è da considerarsi di per sé un evento anomalo. Per questo motivo, statisticamente, si verifica in misura molto ridotta, rendendo spesso complesso e lungo avere dei dati di processo raccolti mentre il macchinario era in funzione in modo anomalo. Per questo motivo, le tecniche data-driven si stanno spostando a grandi passi verso tecniche di analisi dati non supervisionate, ovvero per le quali non sono necessari dati di guasto per allenare il modello. Dall’altro lato, in relazione ai processi time-variant, la statistica multivariata, che negli anni ha raccolto numerosi successi in altri ambiti, presenta tuttora delle difficoltà applicative. E proprio da queste due evidenze, nel corso del percorso di ricerca, l’attenzione è stata posta su approcci di monitoraggio non supervisionati e sulla statistica multivariata, focalizzandosi anche per quest’ultima su approcci non supervisionati.
Inoltre, un ramo di quello che a me piace definire come l’albero della mia tesi di dottorato, è stato dedicato alla previsione della vita utile residua dei macchinari, vale a dire all’analisi dei dati per identificare con sufficiente anticipo l’insorgenza di un guasto all’interno del sistema monitorato. Questo tema risulta attualmente ancora acerbo, con tanta necessità di ricerca, soprattutto se lo si collega all’applicazione di algoritmi di machine learning. Questo perché la previsione della vita utile residua è un ambito sicuramente più recente e meno battuto di quello della fault detection, permettendo quindi di avere numerose strade di ricerca non battute da percorrere. E, anche in questo punto del percorso, si è cercato comunque di mantenere un filo e una connessione con i rami principali della tesi. In questo caso, infatti, l’obiettivo era non solo definire un modello di previsione della vita utile residua di un macchinario, ma di sviluppare una metodologia complessiva che toccasse i temi della fault detection, della diagnosi e della prognosi sulla base di un flusso continuo di informazioni condivise.
Infine, è interessante porre l’attenzione su un punto che ha destato molto interesse nel corso della ricerca, vale a dire quello di poter considerare ed inserire, all’interno delle tecniche di monitoraggio selezionate, la correlazione temporale presente all’interno dei parametri di processo. Molti processi produttivi presentano una spiccata correlazione temporale all’interno dei parametri di processo. Con correlazione temporale si intende il concetto per cui un parametro di processo, per un determinato intervallo temporale, presenta una condivisione di informazioni che induce quindi un collegamento tra i valori del parametro monitorato. La gestione di questa correlazione temporale e della condivisione delle informazioni è stata al centro di tutto il percorso di tesi.
Una considerazione è d’obbligo: non esistono metodologie, modelli o tecniche che vadano bene per ogni contesto applicativo. Approcci che funzionano perfettamente in un contesto, risultando poi limitati e non applicabili in maniera proficua in un altro. Ed è proprio per questo motivo che si è deciso di delineare in maniera ben evidente il contesto applicativo, i.e., i processi time-variant, e che tipi di tecniche si è deciso di studiare e testare, i.e., la statistica multivariata e gli approcci non supervisionati. È cruciale avere ben chiare le limitazioni delle tecniche applicate, così come le caratteristiche specifiche del processo analizzato. Solo in questo modo si può cucire sul processo produttivo monitorato un modello che si adatti perfettamente alle esigenze riscontrate. L’obiettivo della tesi, per questo motivo, non è stato quello di puntare all’onnipotenza della definizione di modelli e metodologie di monitoraggio assolute. L’obiettivo della tesi è stato, di contro, quello di evidenziare le limitazioni e le criticità che esistono in fase di monitoraggio di macchinari industriali. E, grazie a queste evidenze, studiare come poter migliorare il monitoraggio di processi produttivi time-variant, con un’attenzione particolare alle tecniche non supervisionate e alla statistica multivariata. Come poi si vedrà nel corso di tutta la tesi, un punto fermo di tutto il percorso di ricerca è stato quello di collegare sempre tutti i punti che ne hanno composto l’intero quadro. Questo significa che ogni momento successivo della ricerca è stato pensato e portato avanti per rispondere ad una o più domande che sono nate nello step precedente. Questo ha reso possibile strutturare un percorso logico con concatenazioni del tipo “domanda/risposta” tra le varie ricerche che hanno alla fine composto l’intera tesi di dottorato.