loading

Intelligenza artificiale e Machine Learning al servizio della manutenzione

Basta interventi inutili

Secondo numerose ricerche, la maggior parte delle attività di manutenzione sono non necessarie o poco efficaci e rappresentano un dannoso spreco di risorse economiche e organizzative.
Una singola ora di downtime può costare ad una media industria decine di migliaia di euro in perdite di produttività e incidere negativamente sul livello di soddisfazione del cliente.
Fault

dei fault

é correlato dall'età dell'asset

Stops

dei fermi macchina

é dovuto a guasti casuali

Line
Wrong
Fault

dei fault

é correlato dall'età dell'asset

Stops

dei fermi macchina

dei fermi macchina

Wrong

Manutenzione Predittiva

L’unico approccio efficace è la Just-in-time Maintenance , ossia l’esecuzione di interventi manutentivi in funzione delle concrete necessità individuate tramite il monitoraggio delle condizioni delle risorse.

Anomalia ≠ Guasto!

Sistema smart, basato su algoritmi di deep learning specializzati nella fault detection , capace di individuare automaticamente le anomalie senza che sia mai verificato un guasto.

Una strategia basata sui dati, capace di sfruttare le tecnologie IoT, consente di determinare in tempo reale un cambiamento nelle condizioni/prestazioni dell’asset, anche quando questo non è visibile ad occhio umano .
What

Anomaly Detection & Classification
Workflow

Manutenzione predittiva basata su Machine Learning .
Step1

01.

Data
Aquisition

Espandi

Arrow
Step2

02.

Model
Training

Espandi

Arrow
Step3

03.

Anomaly
Detection

Espandi

Arrow
Step4

04.

Anomaly
Classification

Espandi

Arrow
Step5

05.

Anomaly
Pooling

Espandi

a. Definizione delle variabili da raccogliere (pressioni, correnti, coppia, temperature...);
b. Campionamento ad alta frequenza.

a. Training dei modelli di Machine Learning

a. Tecnologia disruptive: utilizzo di reti neurali multilivello “black box” , non è necessario indicare al modello di AI le relazioni tra le variabili, il sistema le individua autonomamente e predice la loro evoluzione temporale attesa.
b. riconoscimento del discostamento dei dati attuali dalla “normalità”

a. Clusterizzazione di anomalie simili in classi
b. Novelty Detection : riconoscimento di anomalie sconosciute
c.Tagging delle anomalie

a. Utilizzo della tecnologia cloud per la condivisione delle esperienze (anomalie riscontrate)
b. Aumento della precisione nella classificazione di comportamenti anomali
c. Scalabilità esponenziale

Benefits

Benefici per i costruttori di macchine
Benefici per end-user
Servitizzazione : servizio offerto al cliente sul quale monetizzare
Contratti manutentivi basati su rendimento dell’asset
Rafforzamento della partnership con il Cliente
Ottimizzazione nella pianificazione degli interventi manutentivi
Acquisizione di know-how sul funzionamento reale delle macchine
Monitoraggio dei consumi
Riduzione degli scarti
Ottimizzazione della sicurezza del processo
Miglioramento del prodotto

Caratteristiche

Feature1
Approccio Lean

Ottimizzazione dei processi manutentivi in termini di qualità e di elevata affidabilità (Just-in-time-maintenance).

Feature2
Immediata informatività

Grazie a indici quali “Health Condition” e “Novelty Probability” è immediatamente possibile capire lo stato di salute di un componente monitorato e se l’anomalia emersa si sia già verificata in passato.

Feature3
Anomaly notification

Sistema intelligente che notifica quando rimpiazzare o intervenire sul componente

Feature4
RBA integration

Integrabile con le funzioni di Rule Based Alerting

Feature5
Riduce l'intervento degli operatori

Riduce la necessità di personale altamente qualificato e con profonde conoscenze del comportamento degli asset

Digitalization Path

Per implementare un sistema di Anomaly Detection & Classification è fondamentale:

Step1

Implementare sistemi di raccolta dati dalle apparecchiature industriali.

Step2

Raccogliere una quantità di dati sufficiente di spiegare la variabilità di processo produttivo nel suo complesso.

Step3

Validare il sistema tramite dati di comportamenti anomali appositamente creati.

Altre soluzioni