Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

Approfondimenti

Machine Learning al servizio della predictive maintenance nel mondo industriale

Grazie all’intelligenza “infusa” negli oggetti fisici IoT e grazie alla disponibilità di tecnologie come il cognitive computing, le aziende sono in grado di ottenere importanti insight sui propri asset e dare nuovo valore al business. ML, analisi in tempo reale e piattaforme di enterprise asset management consentono di disporre di una vista completa degli asset, migliorandone la gestione

31 Ott 2019

Maria Teresa Della Mura

Giornalista

Gli asset materiali, vale a dire macchine, apparecchiature, dispositivi, impianti, mezzi, infrastrutture, rappresentano il cuore dell’attività di una impresa, ma non è detto che tutte le imprese siano in grado di gestirli al meglio.
Basta guardare, nelle voci di bilancio, le cifre normalmente destinate alle attività di manutenzione, per comprendere come il potenziale ritorno sugli investimenti derivante dal passaggio dalla mera manutenzione correttiva a una manutenzione preventiva e predittiva possa essere significativo.
Eppure, proprio la maintenance potrebbe essere un’area di intervento strategico in un momento in cui i budget disponibili tendono a ridursi: le tecnologie e gli strumenti ci sono non solo per raccogliere dati dalle macchine e dai sensori distribuiti lungo tutte le linee di produzione, ma anche per dare senso e significato ai dati raccolti, trasformandoli in informazioni preziose per ottimizzare le attività di manutenzione, massimizzando nel contempo il ROI.

Perché l’approccio tradizionale alla manutenzione non basta più

Nessuno ha dubbi sul fatto che una scarsa manutenzione degli asset e dei macchinari alla lunga si traduce in guasti lunghi e frequenti, in un aumento di attività non pianificate e ancor di più in una importante perdita di produttività.
Ciò che forse è meno chiaro, è il costo effettivo associato alla sola manutenzione correttiva: lavoro straordinario, aumento dei costi complessivi di produzione, rischi di sicurezza, senza contare che la sola manutenzione correttiva potenzialmente ha anche un impatto negativo sulla vita utile degli asset stessi. Tutto questo incide direttamente sui costi e sulla redditività d’impresa.

Va detto, per amor di verità, che non si tratta di un tema nuovo: già negli Anni Sessanta e Settanta la Marina americana condusse degli studi per cercare di comprendere le ragioni dei guasti ai macchinari, suddividendo i guasti stessi in due gruppi principali: i guasti correlati ad usura e obsolescenza, guasti casuali.
Da subito parve evidente che solo l’11% dei guasti era riconducibile all’obsolescenza, mentre l’89% avveniva in modo assolutamente casuale.
Con queste percentuali, come si capisce quando è il momento di avviare attività di manutenzione? Qual è il modo migliore per valutare lo stato di salute dei propri asset? È possibile ottenere indicazioni tempestive su un possibile guasto se il tempo di utilizzo non rappresenta un indicatore significativo?

Dalle misurazioni indirette agli Asset Health Insight, ecco come cambia la maintenance

In alcune realtà produttive, per valutare lo stato di salute di un macchinario si effettuano misurazioni sulle performance: quanti cicli, quanto materiale prodotto, quante sollecitazioni e su quali parametri.
Stiamo parlando, in questo caso, di misurazioni indirette, che non monitorano l’effettivo stato di salute dell’asset e dalle quali non sempre si ricava una giusta correlazione con le possibili cause di guasto. Per di più, si tratta di indicatori spesso soggettivi, per la cui interpretazione l’esperienza e la conoscenza del lavoratore sono necessarie se non indispensabili.
Fortunatamente la tecnologia si è evoluta ed è oggi in grado di aumentare l’intelligenza umana, per monitorare con maggiore accuratezza lo stato di salute degli asset.
IBM la definisce Asset Health Insight, letteralmente informazioni sullo stato di salute delle risorse. Si tratta, in sintesi estrema, di combinare metodologie tradizionali con le informazioni derivanti dai sensori e con il cognitive computing con l’obiettivo di offrire una maggiore accuratezza nella manutenzione, ottimizzando gli investimenti  migliorando la qualità della manutenzione stessa.

I vantaggi delle macchine connesse

Va detto che oggi molte delle macchine e dei dispositivi presenti su una linea di produzione dispongono di sensori integrati e sono in grado di fornire informazioni in tempo reale ai sistemi di controllo industriali come SCADA (Supervisory Control and Data Acquisition), BMS (Building Management Systems), o PLC (Programmable Logic Controllers).
Le macchine più «vecchie», dal canto loro, possono essere aggiornate con dei retrofit, portando dunque a bordo sensori in grado di comunicare con tutti i sistemi di fabbrica.

Senza contare che le reti di comunicazione che raccolgono i dati dagli asset sono diventate non solo più economiche ma rappresentano una realtà anche in ambienti di fabbrica critici.
Tutto questo significa, in poche parole, che i team delle operation possono fare uso dei dati provenienti dai diversi asset per monitorare le prestazioni delle apparecchiature e dare la giusta attenzione ai segnali premonitori di guasto.

Come evolve la gestione delle risorse

I team di manutenzione hanno dunque a loro disposizione un insieme di tecnologie standard per raccogliere, filtrare e mappare i dati in tempo reale direttamente dai macchinari.
Nel contempo, le tecnologie cloud rappresentano un modo conveniente per aggregare, archiviare e utilizzare analisi avanzate sulle enormi quantità di dati provenienti dalle apparecchiature, combinandole anche con altre fonti.
Non ultimo, le tecnologie di analytics sono oggi in grado non solo di utilizzare le conoscenza di base degli ingegneri, ma anche di scoprire nuovi schemi o pattern nascosti che possono essere utilizzati per prevedere guasti. E si tratta di soluzioni che sono più semplici da usare, anche da parte di chi non ha conoscenze specifiche e ha bisogno di flessibilità, ad esempio utilizzando i dati provenienti da più fonti e in diversi formati, come anche i video.

Focus sull’integrazione

Secondo un recente studio pubblicato da ARC Research, il 65% degli alert correlati alle attività di predictive maintenance vengono effettivamente comunicati ai team dedicati alla manutenzione, ma solo il 23 per cento di questi stessi segnali viene integrato nei sistemi gestionali. È un divario importante, indice del fatto che le aziende non stanno effettivamente prendendo pieno vantaggio dei dati provenienti dai loro asset.
Ed è sempre la società di ricerca a sottolineare I benefici che deriverebbero se si trasformassero gli interventi a tempo in interventi “condition based”, per i quali, tuttavia non bastano i soli dati correlati all’operatività della macchina (quanti pezzi, quanti giri), ma servono ulteriori informazioni relative, ad esempio allo storico degli interventi, allo storico dei guasti, alle modifiche nella configurazione e a tutta una serie di condizioni che si sono verificate nel ciclo di vita della macchina stessa.

La proposta IBM: Maximo Asset Management

Per poter disporre di tutte le informazioni sopra descritte, è necessario disporre di una soluzione di asset management di classe enterprise come IBM Maximo Asset Management, che non si limita ad analizzare i dati real time e i dati storici delle macchine e dei sensori, ma dispone di strumenti di analisi semplici da usare e pensati specificamente per le esigenze dei professionisti della manutenzione.
Una soluzione in grado di unire informazioni real time filtrare e rilevanti e informazioni storiche e che rappresenta dunque la risposta ai bisogni di ottimizzazione di cui abbiamo fatto cenno in precedenza: non si tratta semplicemente di migliorare il servizio di manutenzione, risparmiando sui costi, ma anche di incidere su importanti indicatori di business.
Allineare gli investimenti in manutenzione alle richieste che provengono da una corretta gestione degli asset, consente di migliorare l’efficienza, di pianificare i carichi di lavoro, di mitigare i rischi operativi.

Come funziona IBM Maximo?

IBM Maximo Asset Health Insights gestisce l’intero portfolio degli asset di una organizzazione.
Il processo inizia con la raccolta dello streaming in tempo reale dei dati dai sensori, utilizzando la piattaforma Watson IoT Platform.
I dati possono essere inviati direttamente dalle macchine alla piattaforma, oppure possono provenire dai sistemi di controllo industriale (SCADA, PLC, BMS).
I dati vengono poi combinati con i dati storici in IBM Maximo, ed è qui che tecnici e ingegneri settano le condizioni di base che definiscono lo stato di salute di ciascun asset o le condizioni operative ottimali per ciascuna attività. Lo streaming dei dati viene dunque utilizzato per monitorare lo stato delle attività a fronte di regole predefinite, consentendo così di evidenziare facilmente potenziali anomalie.

Il ruolo delle dashboard e del Machine Learning

Le dashboards mostrano la mappa degli asset e il loro stato di salute in modo chiaro e intuitivo, con diverse possibilità di visalizzazione, gerarchica, storica, georeferenziata.
Gli operatori possono esplorare in dettaglio lo stato di ciascun asset e hanno la possibilità di integrare i dati di campo con ulteriori dati rilevanti, provenienti dall’esterno, come ad esempio le condizioni atmosferiche.

Grazie a tutti questi dati, i team sono in grado di intervenire quando necessario, così come possono ricevere alert automatici, in particolari condizioni di rischio.
Il risultato è una ottimizzazione delle attività, grazie alla profonda comprensione dei pattern e alle funzioni di machine learning integrate che perfezionano nel tempo la comprensione stessa.

Un futuro cognitivo per la maintenance

Raccogliere dati e misurare le performance non basta.
Il futuro della maintenance si chiama machine learning: i modelli cognitivi migliorano in continuazione e sono dunque in grado di erogare ai team di manutenzione indicazioni prescrittive o raccomandazione sulle attività o le azioni da eseguire, ottimizzando l’intero ciclo e di fatto aumentando la conoscenza umana.

Le capacità cognitive di Watson sono in grado di gestire e analizzare grandi data set, impossbili da gestire con le sole capacità umane. Come parte dell’offerta IBM Watson IoT, Maximo Asset Management beneficia delle capacità analitiche della piattaforma per erogare raccomandazioni in tempo reale e portando la manutenzione a livelli di affidabilità e ottimizzazione finora impensabili.

Prosegui l’approfondimento di questi temi sull’Osservatorio Data Science & Machine Learning 

Immagine fornita da Shutterstock

@RIPRODUZIONE RISERVATA
Maria Teresa Della Mura
Giornalista

Giornalista, da trent’anni segue le tematiche dell’innovazione tecnologica applicata ai modelli e ai processi di business.Negli ultimi anni si è avvicinata al mondo dell’Internet of Things e delle sue declinazioni in un mondo sempre più coniugato in logica smart: smart manufacturing, smart city, smart home, smart health.

Articolo 1 di 5