Διαχείριση και ανάλυση δεδομένων μέσω τεχνητής νοημοσύνης για την εφαρμογή μεθοδολογιών προβλεπτικής συντήρησης σε συστήματα βιομηχανικής παραγωγής και αλυσίδες αξίας

Abstract

Industry 4.0 is strongly intertwined with big data streaming flows from intelligent sensors and machinery installed in industrial facilities. Failures can disrupt production and lead the supply chain ecosystem to malfunction. Maintenance strategies are necessary to safeguard the continuous operation of production lines, minimize supply chain disruptions, and improve sustainability indicators. Within the context of smart manufacturing, predictive maintenance (PdM) and prescriptive approaches can reduce downtime, lower operational costs, and increase productivity, thereby improving system performance and decision-making.The overarching aim of this Ph.D. is to i) systematically review state-of-the-art predictive maintenance applications across diverse manufacturing sectors to provide customized insights from academic and operational perspectives, summarized into a comparative decision support map, ii) propose a methodology for applying PdM solutions and showcasing a PdM application for health state prediction and condition monitoring on centrifugal pumps iii) present a machine vision artificial intelligence (AI) defect detection and nonconformance classification approach possessing low volume of initial images per classified output and utilizing specific image pre-processing tasks on a pills manufacturing process, iv) propose a holistic maintenance framework depicting a methodology for structured and unstructured data handling and implementing AI models for a decision support in operational, tactical and strategic levels. The holistic maintenance framework, specifically the prescriptive maintenance aspect, was implemented in a real-world industrial use case of a dairy production line. The contribution of this research is twofold. From an academic perspective, this review aims to provide a comparative overview of the latest research efforts and the technology readiness in the field of predictive and prescriptive maintenance across manufacturing sectors. Additionally, this research provides a comprehensive theoretical background and the respective evaluation metrics of established and state-of-the-art AI algorithms applied in various industrial solutions. From a practical and applied perspective, the proposed PdM decision support map, the applied PdM architecture and the holistic maintenance approach could act as guiding technical frameworks, including key elements that researchers and practitioners should consider when designing and performing sector-specific maintenance operations. Furthermore, throughout this work we showcase and propose innovative data collection and pre-processing actions, to overcome issues or external drawbacks such as feature selection, outliers, data unavailability, harsh industrial environments or time-consumption especially for image collection and detection cases. The outcomes highlighted that Big Data analytics, AI and data-driven predictive and prescriptive maintenance constitute cutting-edge solutions with a growing interest in modern manufacturing. In the context of Industry 4.0, there is an abundance of data collected from heterogeneous industrial sources (indicatively, equipment, intelligent sensors, maintenance reports). An effective and efficient maintenance plan that manages information sources can safeguard the smooth operation of production lines, improve sustainability indicators, and increase the resilience of industrial facilities. Finally, with the increasing demand for high quality and differentiated products in modern society, manufacturers must adapt to fast-paced production processes and thus automate and optimize the identification of malfunctioning equipment and defective products. The presented Ph.D. aims to act as a guiding light for researchers and practitioners towards the development of intelligent, effective and efficient methodologies utilizing both structured and unstructured information and provide a prosperous ground for resilient, human-centric and sustainable industrial ecosystems.

Η Βιομηχανία 4.0 είναι άρρηκτα συνδεδεμένη με τις ροές μεγάλου όγκου δεδομένων που λαμβάνονται από ενσωματωμένα συστήματα έξυπνων αισθητήρων και μηχανών εγκατεστημένα στις βιομηχανικές εγκαταστάσεις. Οι απρόσμενες βλάβες, μπορούν να επηρεάσουν αρνητικά την παραγωγή και να οδηγήσουν το οικοσύστημα της εφοδιαστικής αλυσίδας σε δυσλειτουργία. Οι βέλτιστες στρατηγικές συντήρησης, υποστηρίζουν την διασφάλιση της συνεχούς λειτουργίας των γραμμών παραγωγής, την ελαχιστοποίηση των δυσλειτουργιών της εφοδιαστικής αλυσίδας και την βελτίωση των δεικτών βιωσιμότητας. Στο πλαίσιο της έξυπνης παραγωγής, η προβλεπτική συντήρηση και οι επεξηγηματικές προσεγγίσεις αποσκοπούν στην μείωση του χρόνου διακοπής λειτουργίας των μηχανών, την μείωση του λειτουργικού κόστους και την αύξηση της παραγωγικότητας ενισχύοντας την συνολική απόδοση των συστημάτων και υποστηρίζοντας τη λήψη κρίσιμων αποφάσεων. Ο γενικότερος στόχος της παρούσας διδακτορικής διατριβής είναι i) η συστηματική εξέταση των καινοτόμων εφαρμογών προβλεπτικής συντήρησης σε διάφορους βιομηχανικούς τομείς προσφέροντας εξατομικευμένες γνώσεις από ακαδημαϊκή και εφαρμόσιμη οπτική και συνοψίζοντας τα αποτελέσματα σε έναν συγκριτικό χάρτη υποστήριξης λήψης απόφασης, ii) η πρόταση μιας ολοκληρωμένης μεθοδολογίας εφαρμογής προβλεπτικής συντήρησης και διάγνωσης της κατάστασης υγείας αντλιών, iii) η παρουσίασης μιας προσέγγισης εφαρμογής μηχανικής όρασης για την ανίχνευση και κατηγοριοποίηση ελαττωματικών συσκευασιών σε πραγματική φαρμακοβιομηχανία, αξιοποιώντας ένα μικρό πλήθος αρχικών εικόνων ανά έξοδο κατηγοριοποίησης, iv) η πρόταση ενός ολιστικού πλαισίου συντήρησης, απεικονίζοντας μια συνολική μεθοδολογία διαχείρισης και αξιοποίησης όλης της διαθέσιμης αδόμητης και δομημένης πληροφορίας καθώς και την εφαρμογή μοντέλων τεχνητής νοημοσύνης για την υποστήριξη λήψης αποφάσεων σε λειτουργικό, τακτικό και στρατηγικό επίπεδο. Το ολιστικό πλαίσιο συντήρησης με έμφαση στις επεξηγηματικές προσεγγίσεις, υλοποιήθηκε σε μια πραγματική γραμμή παραγωγής γαλακτοκομικών προϊόντων. Από ακαδημαϊκής άποψης, η συμβολή της διδακτορικής έρευνας είναι η συγκριτική και συστηματική επισκόπηση των καινοτόμων εφαρμογών συντήρησης και η ανάδειξη της τεχνολογικής ετοιμότητας διάφορων βιομηχανικών κλάδων , ως προς την εφαρμογή μεθοδολογιών προβλεπτικής και επεξηγηματικής συντήρησης. Επιπλέον, η παρούσα διατριβή παρέχει ένα ολοκληρωμένο θεωρητικό υπόβαθρο και τις αντίστοιχες μετρικές αξιολόγησης, για την εφαρμογή καθιερωμένων και καινοτόμων αλγορίθμων τεχνητής νοημοσύνης σε διάφορες βιομηχανικές περιπτώσεις. Από πρακτικής και εφαρμόσιμης άποψης, η συμβολή της διδακτορικής έρευνας, είναι η πρόταση του χάρτη υποστήριξης λήψης αποφάσεων προβλεπτικής συντήρησης και η παρουσίαση προσεγγίσεων εφαρμογής προβλεπτικής συντήρησης, επεξηγηματικής συντήρησης και μηχανικής όρασης. Τα παραπάνω θα μπορούσαν να αποτελέσουν κατευθυντήρια τεχνικά πλαίσια, για μελλοντικούς ερευνητές και επαγγελματίες, κατά τον σχεδιασμό και την υλοποίηση στρατηγικών συντήρησης. Ακόμα, οι προτεινόμενες εφαρμογές παρουσιάζουν αξιόπιστες προσεγγίσεις συλλογής και επεξεργασίας δεδομένων για την αντιμετώπιση ζητημάτων, όπως η επιλογή χαρακτηριστικών, η αντιμετώπιση ακραίων τιμών ή μια πιθανώς μικρή διαθεσιμότητα δεδομένων σε περιπτώσεις ανίχνευσης και κατηγοριοποίησης αντικειμένων. Τα αποτελέσματα αναδεικνύουν ότι η ανάλυση δεδομένων, η τεχνητή νοημοσύνη και η προβλεπτική και επεξηγηματική συντήρηση βάσει δεδομένων, αποτελούν πρωτοποριακές προσεγγίσεις με αυξανόμενο ερευνητικό ενδιαφέρον στην σύγχρονη παραγωγή. Στο πλαίσιο της Βιομηχανίας 4.0, συναντάται πληθώρα δεδομένων που συλλέγονται από ετερογενείς πηγές, όπως ενδεικτικά βιομηχανικός εξοπλισμός, αισθητήρες, και τεχνικές αναφορές συντήρησης. Μια αποτελεσματική και αποδοτική στρατηγική συντήρησης που θα διαχειρίζεται τις ετερογενείς πηγές πληροφοριών, αναμένεται να διασφαλίσει την ομαλή λειτουργία των γραμμών παραγωγής, να βελτιστοποιήσει τους δείκτες βιωσιμότητας, και να αυξήσει την ανθεκτικότητα του βιομηχανικού εξοπλισμού. Τέλος, με την αυξανόμενη ζήτηση υψηλής ποιότητας καθώς και εξατομικευμένων προϊόντων στην σύγχρονη κοινωνία, οι βιομηχανίες πρέπει να προσαρμόζονται στις ταχέως εξελισσόμενες διαδικασίες παραγωγής, αυτοματοποιώντας και βελτιστοποιώντας παράλληλα τον εντοπισμό δυσλειτουργικού εξοπλισμού και ελαττωματικών προϊόντων. Η παρούσα διδακτορική διατριβή στοχεύει να λειτουργήσει ως οδηγός για μελλοντικούς ερευνητές και επαγγελματίες ως προς τον σχεδιασμό και την ανάπτυξη έξυπνων, αποτελεσματικών και αποδοτικών μεθοδολογιών, αξιοποιώντας τόσο δομημένες όσο και αδόμητες μορφές πληροφορίας και παρέχοντας ένα εύφορο έδαφος για ανθεκτικά, ανθρωποκεντρικά και βιώσιμα βιομηχανικά οικοσυστήματα.