Data-driven approaches to maintenance policy definition: general framework and applications

The competitiveness characterizing the current industrial scenario requires high levels of process reliability. This aspect is particularly relevant for complex plants since many components are potentially more subject to failure occurrence. In this context, this thesis aims to propose a general framework to support the maintenance management. Four different applications are presented, based on an oil refinery case study. In the first application, the Association Rules describing components failing after a stoppage of the oil refinery plant are mined. The components that are most likely to break within a given time interval after a plant stoppage are identified to propose the best maintenance strategy. The second application regards a predictive optimization-based maintenance policy, considering the Association Rules. An integer linear programming model is formulated to select the optimal set of components to repair to improve the plant's reliability. In the third application, a bi-objective Component Repairing Problem is developed in order to reduce the impact on both the time to recover from a stoppage and the overall maintenance costs. It is solved through the AUGMEnted ε-CONstraint approach and through a bi-objective Large Neighborhood Search meta-heuristic. In the fourth application, the Association Rule Mining (ARM) and Social Network Analysis (SNA) are contextually adopted to identify the hidden interactions between components that lead to a domino effect between failures. Following the proposed general framework, ARM and SNA are also applied to pursue a second objective: extending the analysis of the production processes in terms of failures and related effects, analyzing the results of the Failure Modes Effects and Criticalities Analysis. An offshore and onshore plant for oil and gas extraction and storing and a hydro-electrical power plant are considered as case studies.

La competitività dell’attuale scenario industriale richiede elevati livelli di affidabilità di processo, in particolare per impianti complessi: infatti un elevato numero di componenti li rende potenzialmente più soggetti a guasti. In questo contesto, la tesi mira a proporre un framework generale per supportare il processo di gestione della manutenzione. Si presentano quattro applicazioni basate sul caso di studio di una raffineria di petrolio. Nella prima applicazione, si adotta il framework per derivare le regole di associazione tra i guasti dei componenti dopo un arresto dell'impianto di raffineria. Si identificano i componenti con maggiore probabilità di rottura entro un dato intervallo di tempo dall’arresto dell'impianto e si propone la strategia di manutenzione. La seconda applicazione si basa su un modello di ottimizzazione. Sfruttando le regole di associazione, si formula un modello di programmazione lineare intera per selezionare l'insieme ottimale di componenti da riparare per migliorare l'affidabilità dell'impianto. Nella terza applicazione, si modella un problema bi-obiettivo di riparazione dei componenti per ridurre l'impatto sia sul tempo di recupero da un arresto che sui costi complessivi di manutenzione. Questo è risolto sia attraverso l'approccio AUGMEnted ε-CONstraint sia tramite una meta-euristica Large Neighborhood Search. Nella quarta applicazione, si adottano l'Association Rule Mining (ARM) e la Social Network Analysis (SNA) per identificare le interazioni nascoste tra i componenti che portano ad un effetto domino tra i guasti. Seguendo il framework generale proposto, ARM e SNA vengono applicate anche per perseguire un secondo obiettivo: estendere l'analisi dei processi produttivi analizzando i risultati della Failure Modes Effects and Criticalities Analysis. Si considerano il caso studio di un impianto offshore e onshore per l'estrazione e lo stoccaggio di petrolio e quello di una centrale idroelettrica.