Comparative analysis of maintenance strategies using multi-method modeling in a beer bottling line

Manufacturing companies face ongoing challenges in improving production system efficiency, with a particular focus on reducing downtime caused by machine breakdowns, which represent a significant cost to the company budget. This project presents a comparative analysis of preventive and predictive maintenance strategies applied to critical machines in a beer bottling line. The analysis was conducted using simulation models developed in the Anylogic environment, combining agent-based and discrete-event approaches to effectively address the problem. The objective is to identify the most effective maintenance strategy for reducing costs and maximizing system productivity. The project includes an initial analysis of the critical parameters to be monitored, followed by the generation of a dataset used to train a machine learning model, which is then integrated into the predictive maintenance simulation. Through a literature review, data on machinery breakdown events were collected to develop a preventive maintenance model that optimizes intervention timing based on the time spent in the operational state, and a predictive maintenance model that schedules timely interventions based on predictions of the remaining useful life (RUL). The thesis concludes with a comparison of the two strategies, analyzing associated costs and KPIs related to system availability and the downtime of individual machines.

Le aziende manifatturiere affrontano sfide continue nel migliorare l’efficienza dei sistemi produttivi, con particolare attenzione alla riduzione dei downtime causati dalle rotture delle macchine, che rappresentano un costo significativo per il budget aziendale. Questo progetto propone un’analisi comparativa tra le strategie di manutenzione preventiva e predittiva applicate a macchine critiche in una linea di imbottigliamento di birra. L’analisi è stata condotta utilizzando modelli di simulazione sviluppati in ambiente Anylogic, combinando approcci agent-based e discrete-event per rappresentare efficacemente il problema. L’obiettivo è individuare la strategia di manutenzione più efficace nel ridurre i costi e massimizzare la produttività del sistema. Il progetto comprende un’analisi preliminare dei parametri critici da monitorare, seguita dalla generazione di un dataset per l’addestramento di un modello di machine learning, successivamente integrato nella simulazione per la manutenzione predittiva. Attraverso una ricerca in letteratura sono stati raccolti dati relativi agli eventi di rottura dei macchinari, sviluppando un modello di manutenzione preventiva che ottimizza il tempo di intervento in base al periodo trascorso nello stato operativo e un modello di manutenzione predittiva che pianifica interventi tempestivi sfruttando la previsione della vita utile residua (RUL). La tesi si conclude con un confronto tra le due strategie, analizzando i costi associati e i KPI relativi alla disponibilità del sistema e ai downtime delle singole macchine.