Il mondo in cui viviamo è sempre più connesso e, sia nelle industrie che nella vita quotidiana, la presenza di dispositivi “smart” influisce pesantemente sullo stile di vita e sui processi produttivi.
In particolare, i sistemi ed i servizi industriali si avvalgono di una strumentazione complessa connessa alla rete (Internet of Things), il cui buon stato operazionale garantisce continuità e qualità della produzione.
Eventuali interruzioni dei processi produttivi, dovute a guasti che determinano la necessità di manutenzione straordinaria, rappresentano dei costi aziendali di notevole impatto.
E’ qui che si manifesta l’importanza della manutenzione predittiva.
I modelli di manutenzione tradizionali
Oggi la manutenzione degli impianti produttivi avviene in via ordinaria pianificando ad intervalli temporali precisi gli interventi (manutenzione preventiva) o in via straordinaria, quando si verificano malfunzionamenti bloccanti (manutenzione reattiva).
Gli interventi di manutenzione si limitano ad aggiustare il danno senza immagazzinare l’esperienza e le informazioni acquisite per mettere in atto successive azioni correttive al fine di ottimizzare il processo manutentivo.
Perché scegliere la manutenzione predittiva
Le soluzioni IoT connesse e in tempo reale consentono alle aziende di acquisire grandi volumi di informazioni sul funzionamento delle apparecchiature, abilitando l’esecuzione di algoritmi in grado di prevedere in modo affidabile i guasti e di rilevare situazioni di degrado dei processi produttivi.
In tal modo è possibile ottimizzare l’organizzazione delle attività manutentive, consentendo enormi miglioramenti all’attività aziendale da un punto di vista economico, qualitativo, organizzativo.
La manutenzione predittiva (PdM) sfrutta tecniche di analisi avanzata di big data provenienti da IoT.
Grazie alla PdM è possibile mettere a disposizione dei decisori strumenti di monitoraggio degli impianti e modelli di previsione dei guasti.
Le soluzioni di Revelis offrono inoltre funzionalità di explanation, cioè, di individuazione ed interpretazione dei fattori scatenanti dell’anomalia che potrebbe determinare il verificarsi del guasto.
Modelli predittivi
L’applicazione di tecniche statistiche di analisi descrittiva, di machine learning e di deep learning (reti neurali) consente l’individuazione di comportamenti anomali (outlier detection) e/o la previsione del tempo di vita utile residuo delle apparecchiature
Ragionamento automatico
Grazie a motori di inferenza basati su Answer Set Programming è possibile abilitare l’esecuzione di regole logiche che, sulla base di scenari di guasto pre-definiti, supportino le decisioni degli utenti finali ai fini della risoluzione del malfunzionamento
Explanation
Tramite analisi multidimensionali sui fenomeni di guasto è possibile evidenziare le cause dei malfunzionamenti, consentendo in tal modo di riparare i sotto-sistemi critici con risparmio di tempo ed aumento dell’efficienza
Acquisizione e storage di Big Data
L’acquisizione dei dati provenienti dai sensori richiede la realizzazione di gateway IoT robusti ed estendibili, e la memorizzazione delle informazioni si basa su piattaforme di data storage NoSql che consentono la gestione di serie temporali
Cloud Platform
Le funzionalità di memorizzazione, elaborazione ed explanation sono rese disponibili in cloud. La piattaforma può essere installata anche on-premise, ovvero presso l’infrastruttura del cliente
Edge computing
I modelli di reazione al guasto possono essere eseguiti “a bordo” delle attrezzature, minimizzando i tempi di reazione e riducendo i tempi ed i costi per il trasferimento di grandi quantità di dati sul cloud
I vantaggi della manutenzione predittiva
Una accurata previsione del tempo al guasto o del tempo residuo di vita delle attrezzature consente di pianificare al meglio le attività di manutenzione, garantendo diversi tipi di ottimizzazioni tra cui la gestione dei turni, la gestione delle scorte di magazzino, la minimizzazione dei tempi di fermo impianto e la riduzione dei costi diretti ed indiretti derivanti da guasti improvvisi.
La manutenzione predittiva garantisce:
Real-time analysis
La PdM abilita il monitoraggio continuo delle macchine negli impianti civili e in quelli industriali.
Tale monitoraggio avviene tramite cruscotti a supporto degli utenti e meccanismi di avviso dell’avverarsi di gusti che sono previsti in (near) real-time
Controllo capillare ed alta dimensionalità
La manutenzione predittiva tiene conto del verificarsi di condizioni “statiche” già previste e consente la previsione del guasto sulla base di migliaia di informazioni provenienti da sensori e dalla combinazione di tecniche induttive (machine leaning e deep leaning) e deduttive (ragionamento automatico)
Nuovi modelli di business
La previsione accurata di gusti, oltre a minimizzare i fermi impianto, consente di applicare modelli ottimali nella turnazione del personale, nella pianificazione delle attività, nella gestione dell’inventario e nel governo della supply chain
Riduzione dei costi
Le riduzioni dei costi aziendali che è possibile ottenere grazie alla manutenzione predittiva sono significativi e sono valutate in un risparmio di almeno il 20% nel medio termine su costi di gestione e riparazione
I fattori chiave di una soluzione di Manutenzione Predittiva
Le tecniche di manutenzione predittiva lavorano sui dati acquisiti in tempo reale da sensori IoT, che possono eseguire elaborazioni all’”edge” prima di trasmetterli a una piattaforma in cloud che abilita analisi storiche e in tempo reale. Le tecnologie abilutanti sono il machine learning, l’analisi avanzata dei dati ed il ragionamento automatico.
1
Big Data
I Big Data rappresentano grandi quantità di stream di dati intermittenti (in tempo reale o batch) provenienti da diverse origini dati, principalmente serie temporali, che hanno schemi e strutture dati diversi
2
Piattaforma di Itelligenza Artificiale
Le soluzioni Revelis sono basate su Rialto™, un framework tecnologico estensibile e scalabile che può essere facilmente integrato nei contesti operativi dei clienti. Rialto™ abilita l’analisi ed il monitoraggio di grandi quantità di dati, la previsione di fenomeni e la spiegazione di modelli decisionali
3
Machine Learning, Deep Learning
Approcci supervisionati e non supervisionati, reti neurali
(ad es. Reti neurali ricorrenti)
4
Ragionamento automatico
Answer Set Programming, Ontologie e Programmazione Logica Disgiuntiva
Applicazioni della Manutenzione Predittiva
Impianti industriali
Le soluzioni Revelis di Manutenzione Predittiva trovano applicazione negli impianti di produzione o nelle infrastrutture per il trasporto
(treni, autobus, etc)
Impianti civili
La Manutenzione Predittiva può essere utilizzata nel monitoraggio di ascensori, scale mobili, ed in generale in tutti i contesti che prevedono sistemi elettromeccanici a servizio delle utenze domestiche (pompe d’acqua, caldaie, etc)
Parchi eolici/fotovoltaici
L’applicazione di tecniche di Manutenzione Predittiva e monitoraggio da remoto risultano funzionali per garantire la massimizzazione della produzione di energia elettrica
