Banner Big Rep

#39 – IoT – MWC

Internet delle cose e intelligenza artificiale al servizio della manutenzione predittiva

/ / /

I recenti progressi registrati nel settore dei sensori IoT, dell’analisi dei dati e dell’intelligenza artificiale sembrano annunciare un’epoca in cui sarà molto più facile prevedere i guasti dei macchinari.

 

La manutenzione predittiva (PdM) consiste nel raccogliere dati sullo stato dei macchinari in maniera che ingegneri e tecnici possano prevedere eventuali guasti o fermi macchina. Ciò consente, per esempio, di sostituire i componenti difettosi prima che causino danni al macchinario. Il Fraunhofer Institute for Production Systems and Design Technology di Berlino lavora su questo concetto dagli anni Novanta. Claudio Geisert, vicedirettore del dipartimento Macchine e linea di produzione, ci spiega però che, fino a poco tempo fa, i ricercatori del Fraunhofer Institute dovevano affrontare alcuni ostacoli tecnici.

Era molto difficile avere accesso ai dati, mettere in pratica la comunicazione M2M (machine-to-machine) e, parallelamente, sviluppare algoritmi predittivi.

Oggi, grazie all’impulso ricevuto dalla microelettronica di consumo, i sensori IoT sono più economici, piccoli e facilmente disponibili. Contemporaneamente, la disponibilità di un gran numero di programmi di machine-learning in linguaggi di programmazione moderni, come Python, rendono più facile e veloce lo sviluppo di algoritmi predittivi.

I vantaggi principali sono che aumenta il tempo di disponibilità dei sistemi di produzione e che possiamo evitare fermi macchina imprevisti.

Eckhard Hohwieler, direttore del dipartimento Macchine e linea di produzione del Fraunhofer Institute, spiega che il ricorso alla manutenzione predittiva facilita la pianificazione e il coordinamento della manutenzione dei sistemi di produzione. Ma i dati IoT contribuiscono anche a una migliore progettazione del prodotto.

L’analisi dei dati ottenuti sul funzionamento delle macchine può avere un impatto positivo sulla progettazione delle macchine stesse e offrire opportunità di miglioramento in termini di robustezza e funzionalità.

L’ascesa della manutenzione predittiva

Grazie ai recenti progressi tecnologici, la manutenzione predittiva si è imposta come una delle tematiche di maggiore attualità . Il fabbricante di ascensori ThyssenKrupp ha sviluppato MAX, una soluzione di machine learning basata sull’IoT che viene attualmente utilizzata in 110.000 ascensori in tutto il mondo. I dati relativi alla macchina – tra cui apertura e chiusura delle porte, accensione, numero di tragitti, chiamate ai piani e codici di errore – sono raccolti ovunque nel mondo grazie a una serie di sensori connessi. In seguito, tali dati sono trasmessi ad un software di analisi cloud-based che utilizza specifici algoritmi appositamente sviluppati da ThyssenKrupp per identificare le situazioni che potrebbero portare ad eventuali guasti. I tecnici, dal canto loro, grazie ad una diagnosi predittiva accurata che ricevono in tempo reale, sanno esattamente dove è necessario intervenire. ThyssenKrupp sottolinea inoltre che questo approccio, combinato alla diagnostica in tempo reale, riduce i tempi di fermo macchina e, di conseguenza, aumenta significativamente i tempi di disponibilità degli ascensori.

La soluzione di machine learning MAX identifica i problemi di manutenzione prima che si verifichino, aiuta i tecnici a diagnosticarli e suggerisce quali componenti debbano essere sostituiti prima ancora che i tecnici intervengano in loco.

Hyun-Shin Cho, responsabile delle operazioni digitali di ThyssenKrupp Elevator, spiega che il numero di ascensori che utilizzano questo sistema rappresenta il 10% degli ascensori in servizio monitorati e riparati dall’azienda. ThyssenKrupp ha integrato i dispositivi IoT sia su impianti nuovi sia su ascensori meno recenti. Inoltre, ha sviluppato un proprio sistema di apprendimento computerizzato cloud-based per analizzare i dati raccolti.

Tuttavia, per trarre il massimo vantaggio da questo investimento, non è sufficiente raccogliere dati. Hyun-Shin Cho ci spiega che le imprese devono analizzare questi dati e integrare i risultati della loro analisi direttamente nei loro processi operativi:

La manutenzione predittiva è solo una parte della nostra attività. Uno dei principali vantaggi del nostro sistema è la risoluzione dei problemi. Quando un ascensore che utilizza il nostro sistema si rompe, il segnale viene visualizzato in tempo reale. Di conseguenza, siamo in grado di analizzare questi dati di cui poi i tecnici disporranno in loco. Prima, senza questo sistema, dovevano procedere loro stessi alla diagnosi. Oggi, invece, la nostra tecnologia cloud-based consente agli ingegneri di intervenire in base alla diagnosi.

L’intelligenza artificiale al servizio della manutenzione predittiva

Nonostante i progressi compiuti in materia di manutenzione predittiva, rimangono alcune questioni a cui ancora non si è trovato risposta. L’efficacia dei modelli predittivi e la precisione della diagnosi, difatti, possono dipendere dall’analisi – e quindi dalla disponibilità – di grandi moli di dati circa le prestazioni e le condizioni di funzionamento. I dati raccolti in tempo reale, inoltre, dalla cui analisi è possibile determinare i livelli normali di prestazione, non sempre possono essere trattati immediatamente. È possibile in effetti che il data-processing richieda addirittura alcuni mesi. Inoltre, affinché un’azienda possa usare la manutenzione predittiva, deve investire nell’assunzione di data scientists, ossia di personale specializzato nell’analisi di questi dati.

DataRPM Corporation fa fronte a tali sfide grazie all’intelligenza artificiale. L’azienda, specializzata nel cognitive computing, ha clienti nell’industria petrolifera e del gas, dell’automotive e dei semiconduttori. La piattaforma che DataRPM Corporation mette a loro disposizione si avvale di strumenti Big Data, come Hadoop e Apache Spark, oltre alla tecnologia del machine learning. Grazie ad essa le aziende sono in grado di automatizzare l’analisi dei dati e determinare quali data model funzionino meglio. Questo approccio, detto meta-apprendimento, migliora la qualità e l’accuratezza delle previsioni di circa il 300%. Inoltre, rispetto ad altri modelli di dati, è più rapido del 97% e consuma solamente il 3% delle risorse che consumerebbero altri modelli.

Phukan Ribbon, co-fondatore e product manager di DataRPM, afferma:

Utilizziamo il meta-learning per automatizzare alcune operazioni che rientrano nell’ambito della “scienza dei dati “, laddove sia necessario imparare dalle esperienze passate. In seguito trasferiamo queste conoscenze in modo che possano essere applicate altrove per affrontare problematiche simili.

La manutenzione predittiva ha fatto molta strada dagli anni Novanta ad oggi. Più l’IoT e l’intelligenza artificiale guadagnano terreno, più diventa chiaro che, in un modo o nell’altro, sempre più aziende decideranno di affidarsi a queste tecnologie.

 

Articolo tradotto dall’inglese da Manuel Corbelli


About the Author

Related Posts

The adoption of additive manufacturing technology has accelerated in recent years thanks to...

The NASA probe’s arrival at Jupiter on Monday will improve our understanding of not just the solar...

Could the thinnest, strongest, lightest and most conductive material ever created spark a new...

Banner ABB Turbocharging

Style Switcher

Highlight Color:

               

Backgrounds:

                    

You can also set your own colors or background from the Admin Panel.