Un approccio data-driven basato sulla programmazione matematica per massimizzare l'affidabilità dei sistemi di produzione

Ad oggi i costi di manutenzione rappresentano una buona percentuale di quelli di tutti gli impianti produttivi. Per cui, progettare politiche predittive di manutenzione diventa molto importante al fine di aumentare l'affidabilità dei sistemi di produzione. Obiettivo della tesi è stato quello di studiare e progettare una politica di manutenzione predittiva, basata sull'uso combinato della programmazione matematica e di tecniche di graph mining, per massimizzare l'affidabilità dei sistemi di produzione. In particolare, data la lista dei componenti e delle relative rotture, si costruisce un grafo in cui a ciascun nodo è associato un componente ed esiste un arco (i,j) se dopo la rottura del componente i, si è rotto anche il componente j. Quindi, un algoritmo di graph mining (gSpan) estrae le sequenze di rottura più frequenti con relativo supporto, partendo dal guasto di un componente specifico. La lunghezza di queste sequenze è stabilita in base al numero di eventi che si decide di prendere in considerazione e non relativamente ad una determinata finestra temporale. Le sequenze estratte verranno utilizzate come dati per un modello di programmazione lineare intera opportunamente formulato che, ricevute in input le sequenze di rottura e il relativo supporto, seleziona i componenti che è più conveniente riparare a seguito del guasto di uno specifico, in maniera da massimizzare l'affidabilità totale del sistema (ovvero, massimizzare il supporto complessivo). La selezione del modello è vincolata al budget disponibile per le riparazioni ed anche al tempo complessivo di riparazione a disposizione. Un'analisi sperimentale, condotta su istanze opportunamente generate, mostra i benefici di una tale politica predittiva. Tale analisi è stata condotta anche con l'obiettivo di studiare la sensitività dell'approccio a variazioni dei dati di input (ad esempio, il budget a disposizione).