Predictive diagnostics through machine learning on the injection group of a diecasting machine.

In the last decades, data analysis becomes relevant in the industrial scenario. The data lake represents the new frontier in the data science. The new concept is not only the data storage anymore, but the possibility to analyse the historical data in order to optimize the production by finding bottle necks in the production chain and solving the problem by applying corrective procedures to increase the productivity of a company. Every field in the production chain is important to increase the productivity. Maintenance is one of the most important tasks to take into in account. Indeed, maintenance costs are a major part of the total operating costs of all manufacturing or production plants. These costs must be reduced by applying different strategies. The new frontier in the maintenance strategy is represented by the Predictive Maintenance (PM) or Predictive Health Management (PHM). PHM is a maintenance strategy in which different statistical algorithms or machine learning algorithms can be applied to obtain the Remaining Useful Life (RUL) of a component. This project is focused on the application of the PHM on an injection group of a die casting machine. By this own definition, the High Pressure Die Casting (HPDC) process presents different aspects that can affect the analysis. For instance, the fault of components is a rare event, and the analysis cannot be performed by investigating large datasets or fault data based on maintenance records. This makes very difficult to detect the fault of components with traditional machine learning algorithms. A further problem, however, linked with HPDC process is in the frequent change in production, which leads to changes in the process parameters. Moreover, sometimes small companies do not correctly update the production identifiers. To solve these problems, a new method is proposed to detect the fault of components in a diecasting machine. The proposed method automatically detects a production change and resets each time the dataset used for training. The method is based on the peculiarity of the die casting process that presents different phases equal to each machine and production considered. These phases are the slow motion of the piston to avoid air bubbles inside the injection chamber, the stroke with the filling of the die, and the multiplication phase to compensate the shrinkage of the material due to the cooling by giving more pressure in the process. Each phase is interpolated to extract sensitive parameters to perform the prediction of fault. For each parameter, an uncertainty estimator is recorded and combined with the uncertainty of the instrumentation to obtain an uncertainty that considers the two contributions. The core of this method is in the combination of the classical prediction analysis with a weighing matrix given by the experts. The weights are determined in a series of formal interviews for each phase and quantity recorded. The result is the Health Index (HI) representing the probability of different types of faults in the diecasting machine. Each weighing matrix combined with the parameters extracted is a HI for that component and it is possible to create how many HIs as possible by using a proper weighing matrix that can be constructed through the interview of the experts.

L'analisi dei big data ha sempre più preso un ruolo rilevante nello scenario industriale degli ultimi decenni. Il "Data Lake" rappresenta una nuova frontiera in data science. Non si vuole solo immagazzinare dati, ma analizzarli con il fine di applicare procedure correttive in tempo per poter evitare stop di produzione e far crescere la produttività di un'azienda. Ogni campo della catena produttiva è importante per poter crescere la produttività. In particolare, la manutenzione è uno dei tasks più importanti di cui tenere in considerazione per queste analisi. Infatti, i costi dovuti alla manutenzione sono la maggior parte dei costi totali di un impianto di produzione. Questi costi devono essere ridotti mediante diverse strategie. La nuova frontiera nella strategia di manutenzione è rappresentata dalla Manutenzione Predittiva (PM) o anche definita, Predictive Health Management (PHM). La PHM è una strategia di manutenzione dove vengono applicati algoritmi statistici o algoritmi di machine learning per ottenere la "Remaining Useful Life" (RUL) di un componente. Questo progetto è focalizzato nell'applicazione della PHM nel gruppo iniezione di una macchina di pressocolata. Per sua definizione, il processo di pressocolata ad alta pressione (HPDC) presenta aspetti differenti che possono andare ad inficiare sull'analisi dei dati. Per esempio, il malfunzionamento di un componente è un evento raro e l'analisi non può essere eseguita andando ad investigare ampi dataset, oppure investigando i dati di fault basandoci sui registri di manutenzione di un'azienda. Questo rende difficoltoso indentificare condizioni di fault dei componenti utilizzando i tradizionali algoritmi di machine learning. Un ulteriore problema legato con il processo di HPDC sta nel frequente cambio di produzione, che porta a cambiamenti radicali nei parametri di processo. Inoltre, può capitare che le aziende di piccole dimensioni non facciano il corretto update dei dati di produzione (cambio di stampo, cambio ricetta nell'iniezione). Per risolvere queste problematiche, viene proposto un nuovo metodo per determinare le condizioni di fault di componenti in una macchina di pressocolata. Il metodo proposto è in grado di determinare automaticamente un cambio di produzione e resettare il dataset utilizzato per il training. Il metodo si basa sulla peculiarità del processo di pressocolata di avere differenti fasi che risultano essere eguali per ogni tipo di macchina e produzione. Queste fasi sono, l'avanzamento lento del pistone per l'iniezione in modo da evitare bolle d'aria nella camera di iniezione, l'avanzamento veloce del pistone con il completo riempimento dello stampo, e la fase di moltiplica dando una maggiore pressione al processo di pressofusione. Questo aumento di pressione serve per compensare il ritiro del materiale dovuto al raffreddamento dopo l'iniezione. Ogni fase viene interpolata in modo da estrarre parametri significativi per la futura predizione del fault. Per ogni parametro, viene calcolato uno stimatore dell'incertezza, che viene combinato con l'incertezza della strumentazione per ottenere un'incertezza estesa che tenga in considerazione dei due contributi. Il core di questo metodo si concretizza proprio nel calcolo della metrica finale per poter monitorare lo stato di salute di un componente. Infatti, il metodo si basa sulla combinazione della classica analisi statistica con delle matrici peso date dagli esperti del settore della manutenzione di questa tipologia di macchina. Il risultato finale è l'Health Index (HI) che rappresenta la probabilità di avere una condizione di fault per la macchina di pressocolata. Ogni matrice peso che viene combinata con i parametri estratti si traduce in un HI per quel componente. In questo modo, è possibile creare tanti Heath Index possibili utilizzando una specifica matrice peso, che è possibile costruire mediante le interviste degli esperti.