Come utilizzare il machine learning per eseguire la manutenzione predittiva

In tutti i settori, le aziende hanno tradizionalmente fatto affidamento sulla manutenzione programmata. Esaminare le viscere delle macchine a intervalli prestabiliti le mantiene in funzione. Ma è davvero il modo più conveniente per ridurre i tempi di inattività indesiderati? Non proprio. Numerosi studi affermano che solo il 20% dei guasti alle apparecchiature è legato all’età, mentre l’80% si verifica in modo casuale.

Con le aziende di tutti i settori che si stanno avvicinando a tutto ciò che è basato sull’intelligenza artificiale (AI), la manutenzione predittiva basata sul machine learning (ML) è diventata al centro dell’attenzione.

Prevedere i problemi delle apparecchiature prima che si verifichino ed eseguire la manutenzione esattamente quando è necessario garantisce risparmi sui costi e una maggiore produttività. Infatti, il 90% dei produttori che hanno adottato la manutenzione predittiva basata sul machine learning sono riusciti a ridurre i tempi di riparazione e i tempi di inattività non pianificati, afferma una ricerca condotta da CXP Group.

In questo post del blog condividiamo la nostra esperienza nella consulenza sul software AI, approfondiamo il funzionamento interno dei sistemi di manutenzione predittiva, condividiamo storie di successo che vi ispireranno e affrontiamo le sfide legate all'adozione di soluzioni di manutenzione predittiva basate sull'intelligenza artificiale.

Cos'è la manutenzione predittiva?

La manutenzione predittiva è un approccio proattivo alla manutenzione delle apparecchiature che utilizza il machine learning per prevedere potenziali guasti. Ciò, a sua volta, aiuta a prevenire costosi tempi di inattività. Immaginatelo come se la vostra attrezzatura parlasse, dicendovi esattamente quando necessita di attenzione, appena prima che qualcosa vada storto.

Un sistema di manutenzione predittiva funziona come una squadra di ispettori che controlla le tue apparecchiature 24 ore su 24, 7 giorni su 7, raccogliendo ed elaborando enormi volumi di dati in tempo reale. Questi "ispettori" possono rilevare le più piccole anomalie e schemi che sfuggono all'occhio umano, avvisandoti di potenziali guasti prima che diventino grossi grattacapi.

Diamo un'occhiata a un esempio per vedere come funziona il concetto nella pratica. Immagina uno stabilimento di produzione che fa affidamento su una flotta di robot industriali per mantenere le operazioni in funzione. Tradizionalmente, la manutenzione di questi robot viene programmata a intervalli fissi o, peggio, quando si verifica effettivamente un guasto, causando tempi di inattività e perdite finanziarie.

Con la manutenzione predittiva ML, le apparecchiature vengono costantemente monitorate con l'aiuto di sensori strategicamente integrati nelle macchine. I dati raccolti possono coprire temperatura, vibrazioni, consumo energetico e altri parametri.

Tutti questi dati vengono quindi inviati all'unità di elaborazione centrale – il “cervello” – del sistema, che è alimentato da algoritmi ML. Basandosi sui dati storici sulle rotture, sulla cronologia delle riparazioni, sui fattori ambientali e sui parametri prestazionali raccolti in tempo reale, l'unità ricerca modelli che potrebbero segnalare un malfunzionamento imminente.

Armato di queste preziose informazioni, il tuo team di manutenzione può intervenire, eseguire tutte le correzioni necessarie ed evitare che si verifichi un guasto imminente. Tutto questo con tempi di inattività minimi e senza costose interruzioni.

Ed è proprio da qui che deriva il potenziale di risparmio sui costi della manutenzione predittiva ML. Grazie alla sua natura proattiva, puoi concentrare i tuoi sforzi e i tuoi budget sulle apparecchiature che necessitano davvero di attenzione, invece di sprecare risorse per provvedere ad apparecchiature che sono perfettamente a posto. D'altro canto, grazie al potere della lungimiranza, potete agire prima che un problema si aggravi, assicurando che la vostra attrezzatura funzioni al massimo delle prestazioni per periodi più lunghi.

Casi d'uso della manutenzione predittiva dell'intelligenza artificiale in tutti i settori

La manutenzione predittiva basata sull’intelligenza artificiale sta trasformando radicalmente il modo in cui operano le industrie dipendenti dalle apparecchiature. Di seguito sono riportati alcuni esempi che mostrano l’impatto che la manutenzione predittiva può avere sulle aziende.

Produzione

Nella produzione discreta e di processo, la manutenzione predittiva basata sull’intelligenza artificiale può rivelarsi preziosa per un’ampia gamma di apparecchiature, tra cui fresatrici, presse idrauliche, sistemi di trasporto, bracci robotici e attrezzature. Prendi in considerazione le fresatrici che modellano le materie prime in componenti di precisione. Dotare queste macchine di sensori di vibrazione e analizzare le letture dei sensori rispetto ai dati storici sui guasti può aiutare a rilevare disallineamenti e segni di usura nei mandrini delle macchine. E quando monitori la temperatura, potresti notare segni di surriscaldamento, segnalando che potrebbe essersi verificato un malfunzionamento.

La potenza della manutenzione predittiva basata sul machine learning non si ferma qui. Le presse idrauliche possono essere monitorate per eventuali intasamenti e perdite. Inoltre, attraverso il monitoraggio costante della temperatura, le soluzioni di manutenzione predittiva possono rilevare segnali di surriscaldamento, un campanello d’allarme per problemi imminenti all’interno di un sistema idraulico. Inoltre, grazie alla capacità di contare i cicli, la manutenzione predittiva ML può prevedere con precisione quando componenti specifici potrebbero richiedere attenzione, consentendo interventi di manutenzione tempestivi e prevenendo potenziali guasti.

Quando si tratta di nastri trasportatori, il software di manutenzione predittiva può misurare la tensione del nastro per prevenirne l'usura prematura. Inoltre, monitorando il carico del motore, è possibile garantirne l'efficienza e scoprire eventuali indizi di problemi che potrebbero causare tempi di fermo imprevisti.

Tra i produttori che utilizzano la manutenzione predittiva c’è Mercer Celgar, uno dei maggiori produttori di pasta di legno e legno massiccio. La manutenzione predittiva è diventata una parte fondamentale della strategia produttiva dell'azienda. Dopo aver esplorato varie opzioni, Mercer Celgar ha implementato una soluzione di manutenzione predittiva pronta all'uso. Questo software basato sull'intelligenza artificiale si integra perfettamente con il nuovo sistema CMMS, sostituendo il precedente software di diagnostica automatizzata dello stato della macchina. Attraverso tre progetti pilota, l'implementazione ha prodotto preziose informazioni e apprendimenti.

Con la piattaforma di manutenzione predittiva basata sull'intelligenza artificiale, Mercer Celgar ha acquisito la capacità di monitorare più linee di produzione e ottenere report individuali per ciascun tipo di macchina all'interno di un'unica piattaforma. Ciò ha consentito loro di monitorare e confrontare le prestazioni fornendo al contempo informazioni tempestive su potenziali guasti ai team di manutenzione. L'implementazione ha trasformato le operazioni di Mercer Celgar, creando ruoli lavorativi specifici e raccogliendo dati sulle prestazioni delle macchine provenienti da più fonti in un'unica piattaforma. Di conseguenza, l’azienda dispone di un’unica fonte di verità per le prestazioni delle sue macchine, facilitando un monitoraggio efficiente e l’elaborazione dei dati su vasta scala.

Settore automobilistico

L’industria automobilistica fa molto affidamento sulla manutenzione predittiva basata sul machine learning per migliorare l’affidabilità e ridurre i costi di garanzia. Monitorando i dati dei sensori dei veicoli sul campo, ad esempio, le case automobilistiche possono rilevare potenziali problemi prima che diventino guasti critici.

Consideriamo una flotta di camion per le consegne. Attraverso il monitoraggio continuo delle prestazioni del motore, delle condizioni degli pneumatici e dell'efficienza del carburante, la manutenzione predittiva consente alle aziende di ottimizzare i programmi di manutenzione, prevenire guasti e prolungare la durata dei propri veicoli.

Numerose aziende automobilistiche si sono rivolte alla manutenzione predittiva per anticipare le opportunità di manutenzione e fidelizzare i clienti, incoraggiandoli a cercare servizi di manutenzione presso la rete ufficiale del produttore automobilistico. Una di queste aziende è Opel, che ha dotato i suoi veicoli di uno strumento di manutenzione predittiva che analizza i dati storici per suggerire programmi di ispezione ottimali.

Poiché l'obiettivo principale dell'implementazione del sistema è quello di migliorare la fidelizzazione dei clienti, il sistema avvisa gli autisti quando è necessaria la manutenzione e organizza appuntamenti con la rete ufficiale Opel, scoraggiando i clienti dal rivolgersi a riparatori di terze parti.

Assistenza sanitaria

La manutenzione predittiva ML sta rivoluzionando il settore sanitario, garantendo il regolare funzionamento delle apparecchiature mediche critiche. Immagina una macchina per la risonanza magnetica in un ospedale. Analizzando i dati dei sensori, tra cui temperatura, pressione e intensità del campo elettromagnetico, gli algoritmi di manutenzione predittiva possono rilevare anomalie, deviazioni e modelli indicativi di potenziali problemi. Gli ospedali possono quindi programmare in modo proattivo le attività di manutenzione durante i periodi di bassa domanda, riducendo al minimo le interruzioni della cura dei pazienti. Questo approccio porta a una migliore efficienza operativa, a una riduzione dei tempi di inattività delle apparecchiature e a migliori risultati per i pazienti.

Un’organizzazione sanitaria che ha abbracciato questo approccio è la Kashiwa Health Check Clinic. Hanno collaborato con Hitachi per implementare un sistema di manutenzione predittiva per prevenire guasti alle macchine per la risonanza magnetica. Il partner tecnologico ha analizzato i dati dei sensori di tre anni provenienti da 100 sistemi MRI e ha creato un meccanismo per indagare i modelli di causa che hanno portato ai guasti del dispositivo. Il machine learning ha poi contribuito a definire uno stato operativo normale, a prevedere anomalie e a rilevare cambiamenti che avrebbero potuto portare a guasti. Di conseguenza, l'organizzazione ha ridotto i tempi di inattività delle macchine per risonanza magnetica del 16,3%.

Olio e gas

Il settore del petrolio e del gas, noto per le sue apparecchiature complesse e costose, ha tratto enormi benefici dalla manutenzione predittiva basata sul machine learning. Immagina una piattaforma di perforazione offshore con numerose pompe, compressori e turbine. Attraverso il monitoraggio continuo di parametri quali pressione, temperatura e portata, gli algoritmi di manutenzione predittiva possono rilevare anomalie e prevedere guasti imminenti. Adottando un approccio proattivo, le aziende possono evitare costosi arresti imprevisti, ottimizzare le prestazioni delle apparecchiature e garantire la sicurezza del personale.

Aramco, attore leader nel settore, ha sfruttato il potere della manutenzione predittiva per prevenire corrosione, incrostazioni e altri danni ad apparecchiature e condutture causati dall'eccesso di acqua proveniente dai pozzi, insieme a petrolio e gas. Avendo implementato un flussometro basato sull'intelligenza artificiale, l'azienda ha ottenuto informazioni in tempo reale sul flusso dell'acqua nei suoi pozzi. Il misuratore ha utilizzato un modello di gemello digitale basato sull’intelligenza artificiale per anticipare il flusso del tubo e quindi confrontarlo con le misurazioni effettive. Questo processo ha consentito al misuratore di adattarsi automaticamente alle varie condizioni operative, riducendo notevolmente i requisiti di ricalibrazione.

Come costruire una soluzione di manutenzione predittiva

Quando si tratta di adottare soluzioni di manutenzione predittiva basate sul machine learning, le organizzazioni devono prendere una decisione: optare per un software standard o investire in una soluzione personalizzata. Ciascun approccio offre vantaggi e considerazioni distinti e la scelta dipende da diversi criteri.

• Budget disponibile: i software standard (ad esempio IBM Maximo, Microsoft Azure IoT Suite, GE Predix, PTC ThingWorx, Siemens MindSphere) generalmente comportano costi iniziali inferiori, mentre la creazione di una soluzione personalizzata può comportare un investimento iniziale più elevato. Le aziende con budget limitati potrebbero trovare più allettante il software standard, mentre quelle con risorse sostanziali potrebbero orientarsi verso soluzioni personalizzate per funzionalità su misura.
• Tempi di implementazione: il software standard può essere distribuito rapidamente poiché è precostruito e testato. Al contrario, lo sviluppo di una soluzione personalizzata può richiedere più tempo, a seconda della complessità e della portata di un progetto.
• Requisiti specifici del settore: settori diversi hanno spesso esigenze e flussi di lavoro unici, che possono richiedere che soluzioni di manutenzione predittiva abbiano caratteristiche specifiche. Il software standard non è completamente in linea con questi requisiti e necessita di personalizzazione. Per questo motivo, le aziende con esigenze altamente specializzate o coloro che cercano un vantaggio competitivo attraverso soluzioni su misura potrebbero preferire seguire un percorso personalizzato.
• Infrastruttura esistente e integrazioni: l'integrazione del software di manutenzione predittiva con i sistemi e le apparecchiature esistenti è fondamentale per garantire operazioni senza interruzioni. Le soluzioni standard possono offrire una migliore compatibilità con un numero limitato di apparecchiature o tecnologie popolari, mentre le soluzioni personalizzate possono essere adattate con precisione per adattarsi all'infrastruttura consolidata di un'organizzazione.
• Scalabilità: man mano che le aziende crescono e si espandono, le loro esigenze di manutenzione predittiva possono evolversi. Il software standard può fornire opzioni scalabili che possono essere adattate alle mutevoli esigenze. Se progettate correttamente, le soluzioni personalizzate possono anche offrire scalabilità e flessibilità, ma ciò potrebbe richiedere ulteriori sforzi di sviluppo.
• Supporto e aggiornamenti: il software standard viene spesso fornito con supporto fornito dal fornitore e aggiornamenti regolari, garantendo che una soluzione rimanga aggiornata. Le soluzioni personalizzate possono richiedere interventi di manutenzione e supporto continui per garantire la funzionalità continua.

Costruire da zero una soluzione di manutenzione predittiva basata sull'intelligenza artificiale

Costruire da zero una soluzione di manutenzione predittiva personalizzata basata su ML offre la massima flessibilità e ti consente di personalizzare il sistema con precisione in base alle tue esigenze specifiche. Tuttavia, il software personalizzato raramente è completamente personalizzato. Esistono numerose librerie e framework open source (ad esempio Scikit-learn, TensorFlow, PyTorch, Keras, XGBoost) e SDK e API (ad esempio AWS SDK, Azure SDK, Google Cloud SDK, IBM Watson SDK, ThingWorx SDK), come nonché servizi ML completamente gestiti, inclusi modelli pre-addestrati (ad esempio Amazon SageMaker, Azure Stream Analytics) che accelerano e semplificano il processo di sviluppo di soluzioni di manutenzione predittiva personalizzate.

Di seguito condividiamo la nostra esperienza come società di consulenza ML e spieghiamo come potrebbe svolgersi il processo di sviluppo di un software di manutenzione predittiva basato sull'intelligenza artificiale.

La manutenzione predittiva è un'attività che può essere suddivisa in due sottoattività: monitoraggio delle condizioni e analisi predittiva. Creare una soluzione di manutenzione predittiva si riduce essenzialmente all'addestramento di un modello di rilevamento e di un modello di previsione e alla loro integrazione in una soluzione completa. Per addestrare tali modelli, seguire i passaggi seguenti.

Raccolta dati

Quando si crea un algoritmo di manutenzione predittiva, il primo passo è raccogliere dati sufficienti per addestrare i modelli. Le tipologie di dati da raccogliere sono le seguenti.

• Dati dei sensori che forniscono informazioni in tempo reale sullo stato di salute e sulle prestazioni delle macchine. Include informazioni di serie temporali raccolte da tutti i tipi di sensori (ad esempio temperatura, pressione, vibrazione, tensione, rumore) collegati alle macchine.
• Dati sui guasti che comprendono informazioni sui guasti passati delle apparecchiature, tra cui la data, l'ora e la natura del guasto.
• Registri di manutenzione, rapporti di servizio, ordini di lavoro e altra documentazione relativa alla cronologia di manutenzione delle apparecchiature.
• Dati operativi che acquisiscono informazioni sullo stato operativo di una macchina, inclusi orari di avvio e arresto, velocità di produzione, produttività e modelli di utilizzo.
• Dati ambientali che coprono fattori quali temperatura ambiente, livelli di umidità e altre condizioni esterne che potrebbero influire sulla salute delle apparecchiature.
• Altri dati rilevanti che possono fornire ulteriori informazioni sui modelli di guasto, come i dati sul consumo energetico o sui costi di manutenzione.

Elaborazione dati

La preelaborazione dei dati è un passaggio essenziale nella creazione di una soluzione di manutenzione predittiva personalizzata basata sull'intelligenza artificiale. Implica una serie di tecniche, dalla gestione dei valori mancanti alla rimozione dei valori anomali e oltre.

La scelta delle tecniche di elaborazione adeguate dipende dalle caratteristiche dei tuoi dati, mentre la chiave per effettuare con successo l'elaborazione dei dati è conoscere le tue macchine. Supponiamo di avere dati sulle vibrazioni rumorose. Conoscere l'intervallo di frequenza che contiene i marcatori di errore può guidarti nella scelta della strategia di preelaborazione ottimale.

Ingegneria delle caratteristiche

Ingegneria delle funzionalità significa trasformare i dati grezzi in funzionalità che aiutano a differenziare il comportamento normale da quello difettoso. L’obiettivo è estrarre informazioni rilevanti dai dati, rendendo più semplice per gli algoritmi ML identificare modelli e relazioni.

Ad esempio, puoi monitorare le condizioni di un cambio utilizzando i dati sulle vibrazioni. I malfunzionamenti di un cambio provocano cambiamenti nella frequenza e nell'entità delle vibrazioni. La frequenza e l'ampiezza del picco possono quindi essere utilizzate per monitorare lo stato del cambio.

Alcune tecniche comuni utilizzate nell'ingegneria delle funzionalità riguardano quanto segue.

• Aggregazione: la combinazione di più punti dati grezzi per creare funzionalità aggregate può fornire una visione di livello superiore del comportamento delle apparecchiature.
• Analisi basata sul tempo: i dati delle serie temporali spesso contengono modelli temporali preziosi. La creazione di funzionalità basate sul tempo come l'ora del giorno, il giorno della settimana o i modelli stagionali può aiutare un modello a catturare comportamenti ricorrenti.
• Analisi del segnale: l'applicazione di tecniche di elaborazione del segnale può aiutare a estrarre componenti di frequenza o rilevare modelli nei dati delle serie temporali.
• Analisi di correlazione: valutare quali dati influiscono maggiormente sull'accuratezza della previsione ed eliminare quei punti dati che hanno meno significato quando si tratta di addestrare i modelli da un set di dati aiuta a ridurre il tempo necessario per addestrarli.
• Tecniche di estrazione di caratteristiche specifiche del dominio: in alcuni casi, la conoscenza del dominio può portare a trasformazioni di caratteristiche specializzate. Ad esempio, per le apparecchiature rotanti, possono essere utili funzionalità basate sull'analisi dell'ordine di vibrazione.

È probabile che l'ingegneria delle funzionalità sia un processo che coinvolge più iterazioni. È normale tornare a questo passaggio dopo un ciclo iniziale di formazione e test di un modello predittivo per ottenere prestazioni ottimali.

Selezione e formazione del modello

Come passaggio successivo, scegli un modello ML ottimale e addestralo sui dati raccolti.

Selezione del modello

La scelta dell'algoritmo ML o del modello predittivo corretto è essenziale per il tuo caso d'uso specifico di manutenzione predittiva. Modelli diversi presentano punti di forza e di debolezza diversi e la selezione dipende da fattori quali la natura dei dati, la complessità del problema e il livello di interpretabilità desiderato.

I modelli comunemente utilizzati per la manutenzione predittiva includono quanto segue.

• Regressione logistica: adatta per problemi di classificazione binaria, ad esempio per prevedere se un componente dell'apparecchiatura si guasterà o meno.
• Alberi decisionali: efficaci per gestire dati sia categorici che numerici. Può catturare relazioni non lineari tra le caratteristiche.
• Foresta casuale: un metodo ensemble che combina più alberi decisionali per una maggiore precisione e robustezza.
• Support Vector Machines (SVM): utile per attività di classificazione, soprattutto quando si ha a che fare con dati ad alta dimensione.

Formazione del modello

L'addestramento del modello prevede l'utilizzo di dati storici per insegnare al modello di manutenzione predittiva ML a riconoscere modelli e relazioni tra le funzionalità e la variabile target, come il guasto dell'apparecchiatura. Il dataset è diviso in due parti: il training set e il testing set.

Il modello apprende dai dati di addestramento e diventa capace di fare previsioni in base ai modelli identificati durante il processo di addestramento.

Una volta addestrato, il modello viene messo alla prova sul set di dati di test. La convalida del modello è un passaggio fondamentale per valutare il rendimento di un modello su dati invisibili e per stimarne il potere predittivo.

Integrazione e distribuzione

Dopo aver identificato il modello giusto, averlo addestrato e generato previsioni accurate, è il momento di metterlo in azione integrandolo nel tuo sistema. A seconda delle specifiche del tuo software di manutenzione predittiva ML, hai diverse opzioni di distribuzione.

• Implementazione nel cloud: scegli un'implementazione basata sul cloud se hai a che fare con grandi volumi di dati archiviati nel cloud. Eseguendo gli algoritmi ML direttamente nel cloud, si elimina la necessità di trasferire i dati avanti e indietro tra le macchine locali e il cloud per la prognosi e il monitoraggio dello stato. Ciò semplifica il processo di manutenzione e migliora l’efficienza.
• Implementazione Edge: in alternativa, è possibile eseguire l'algoritmo su dispositivi integrati situati più vicini all'apparecchiatura. Questo approccio consente aggiornamenti e notifiche immediati sullo stato delle apparecchiature senza ritardi.
• Implementazione ibrida: puoi anche optare per una combinazione di cloud ed edge. Utilizza dispositivi incorporati per la preelaborazione e l'estrazione delle funzionalità ed esegui il modello predittivo nel cloud. In questo modo, ottieni il meglio da entrambi i mondi: l'efficienza associata all'implementazione edge e la potenza di elaborazione basata sul cloud. Funziona particolarmente bene per sistemi come trivellazioni petrolifere o motori di aerei, dove il funzionamento continuo genera grandi quantità di dati, rendendo difficile l'archiviazione o la trasmissione a bordo a causa della larghezza di banda e delle limitazioni dei costi.

Sfide da affrontare lungo il cammino

L’implementazione di una soluzione di manutenzione predittiva basata sull’intelligenza artificiale può comportare alcune sfide. Alcuni ostacoli comuni includono quanto segue.

• Apparecchiature preesistenti: connettere e raccogliere dati da apparecchiature più vecchie o incompatibili può rappresentare una sfida. Potrebbe essere necessario aggiornare i sensori o utilizzare gateway IoT per raccogliere i dati richiesti.
• Stabilire i parametri corretti: identificare i parametri più rilevanti da monitorare per ogni apparecchiatura è fondamentale. Ciò richiede una profonda conoscenza del macchinario e delle sue modalità di guasto per garantire previsioni accurate.
• Qualità e disponibilità dei dati: garantire la qualità e la disponibilità dei dati è fondamentale per ottenere previsioni accurate. Dati incompleti o inaffidabili possono portare a decisioni errate in materia di manutenzione. Stabilire pratiche di governance dei dati e investire nell’infrastruttura dei dati sono passi essenziali per superare questa sfida.

Parole finali

La manutenzione predittiva basata sull’intelligenza artificiale offre un’opportunità rivoluzionaria per le aziende che operano in settori che utilizzano o utilizzano molte apparecchiature. Adottando un approccio proattivo alla manutenzione, le organizzazioni possono ridurre significativamente i tempi di inattività, ottimizzare i costi di manutenzione e migliorare l'efficienza operativa.

Sia personalizzando software standard o creando una soluzione personalizzata da zero, la manutenzione predittiva ML può aiutarti a sfruttare tutto il potenziale delle tue apparecchiature.

Contatta il nostro team per esplorare le possibilità della manutenzione predittiva ML e prendere decisioni informate che porteranno la tua azienda a nuovi traguardi.

Questo articolo è stato originariamente pubblicato sul sito itrex.