Che cos’è la manutenzione predittiva?

Manutenzione predittiva

La manutenzione predittiva risolve i problemi tipici degli altri due approcci monitorando continuamente le condizioni dell’asset e fornendo stime costanti del momento in cui subirà un guasto o necessiterà di manutenzione. Ciò minimizza i tempi di fermo imprevisti e riduce i costi operativi, garantendo che la manutenzione venga eseguita solo quando necessario. Inoltre, lo sviluppo di una soluzione di manutenzione predittiva efficiente consente ai produttori di generare un nuovo flusso di entrate fornendo la manutenzione come servizio ai propri clienti.

Alla base di una soluzione di manutenzione predittiva vi è un algoritmo che analizza i dati dei sensori di un asset e li utilizza per rilevare anomalie, diagnosticare problemi alle apparecchiature o prevedere la vita utile residua (RUL) dell’asset.

Per sviluppare questo algoritmo, gli ingegneri devono raccogliere dati appropriati e utilizzare strumenti come MATLAB^® per pre-elaborarli ed estrarne le feature, le quali servono poi da input per un modello di Machine Learning o Deep Learning che effettua una previsione. Questo algoritmo viene poi distribuito su scala nei sistemi IT/OT a cui vengono trasmessi i dati provenienti da più asset e apparecchiature. Se questo passaggio finale non viene completato correttamente, non è possibile ottenere i benefici di una soluzione di manutenzione predittiva.

Dati di guasto

La raccolta dei dati è il primo passo nello sviluppo di qualsiasi algoritmo di manutenzione predittiva. I modelli di Machine Learning e Deep Learning sono accurati solo se dispongono di dati di addestramento robusti che rappresentano i tipi di guasti da prevedere. È quindi importante raccogliere dati che rappresentino l’asset sia in condizioni di efficienza che di guasto.

Tuttavia, i dati corrispondenti agli eventi di guasto delle apparecchiature sono spesso di difficile accesso: non a caso, l’obiettivo di qualsiasi programma di manutenzione è proprio quello di prevenire i guasti. Per questo motivo, per gli ingegneri e i data scientist è difficile ottenere il giusto tipo di dati per iniziare a costruire il proprio algoritmo.

Una soluzione a questo problema è l’utilizzo di modelli virtuali, come quelli costruiti in Simulink^®, per rappresentare la dinamica degli asset e simularne i guasti. Ad esempio, un ingegnere può costruire un modello di una pompa dell’olio e simulare i guasti dovuti a una valvola che perde e a un tubo ostruito. In questo modo è possibile raccogliere dati di guasto in modo economicamente vantaggioso e senza influire sulle prestazioni della pompa dell’olio reale. Infatti, la generazione di dati di guasto per lo sviluppo di algoritmi di manutenzione predittiva è uno dei vantaggi dell’investimento nei gemelli digitali.

• Krones utilizza gemelli digitali costruiti con Simulink per generare dati di guasto
• Generazione di dati di guasto per una pompa dell’olio con Simulink

Estrazione di feature

Una volta raccolti i dati necessari, il passo successivo è quello di pre-elaborarli e ridurli in un insieme di feature utilizzabili come “indicatori di condizione”. Questi indicatori di condizione esprimono le informazioni utili relative allo stato operativo degli asset. Gli indicatori vengono tipicamente estratti mediante una combinazione di tecniche statistiche, di elaborazione di segnali e Model-Based, implementate in strumenti di analisi e progettazione come MATLAB e Simulink. In questa fase dello sviluppo degli algoritmi, inoltre, l’input del team di ingegneri è fondamentale dal momento che essi possiedono una visione univoca del funzionamento degli asset.

L’identificazione degli indicatori di condizione corretti è la chiave del successo di un algoritmo di manutenzione predittiva. Consente agli ingegneri di monitorare un set di dati significativamente più piccolo per determinare perché l’asset sta funzionando proprio in quel modo. Ad esempio, gli aerei di linea generano quasi un terabyte di dati per volo. Analizzare una tale quantità di dati può essere molto difficile ed è per questo che l’estrazione di feature sta diventando sempre più importante. Un ulteriore vantaggio è che aiuta a ridurre i costi di archiviazione e trasmissione dei dati.

• Report sulla manutenzione predittiva di IMA Italia
• Estrazione di feature con l’app Diagnostic Feature Designer in MATLAB (4:44)

Modelli predittivi

I modelli di Machine Learning e Deep Learning distinguono le soluzioni di manutenzione predittiva da un approccio di monitoraggio tradizionale basato sulle condizioni. Questi modelli utilizzano gli indicatori di condizione come input per individuare la causa principale di un’anomalia o prevedere il momento in cui un asset potrebbe subire un guasto. Il monitoraggio basato sulle condizioni può fornire aggiornamenti in tempo reale, ma non prevede le condizioni future dell’asset.

Se sono disponibili i valori degli indicatori di condizione per diverse modalità di guasto, gli ingegneri e i data scientist sono in grado di utilizzare metodi di apprendimento con supervisione per addestrare modelli predittivi in grado di distinguere tra queste modalità di guasto. Successivamente è possibile collegare questi modelli agli asset sul campo, al fine di isolare la causa principale di un problema che influisce sulle prestazioni dell’asset.

I metodi di apprendimento senza supervisione sono più adatti ad applicazioni come il rilevamento di anomalie, il cui obiettivo è quello di classificare i valori degli indicatori di condizione delle apparecchiature come “prestazioni normali” o “prestazioni anormali”. Poiché i metodi di apprendimento senza supervisione non richiedono dati di addestramento etichettati corrispondenti a diverse modalità di guasto, sono comunemente utilizzati dagli ingegneri alle prime armi con lo sviluppo di algoritmi di manutenzione predittiva.

È possibile utilizzare una classe separata di metodi basati su probabilità e serie storiche per calcolare la vita utile residua (RUL) di una macchina. Questi modelli accettano il valore attuale di un indicatore di condizione e stimano il momento in cui le apparecchiature subiranno un guasto entro un intervallo di confidenza definito.  Questi modelli RUL sono infatti una sorta di gemelli digitali in quanto modellano il degrado progressivo di un particolare asset operativo. Grazie alle informazioni riguardanti l’intervallo di tempo in cui l’asset potrebbe subire un guasto, gli ingegneri sono in grado di programmare la manutenzione al momento giusto, ordinare pezzi di ricambio o limitare il funzionamento dell’asset per estenderne la vita utile.

• Stima della vita utile residua di un motore a reazione
• Stima della vita utile residua di una turbina eolica

Distribuzione e messa in funzione

Una soluzione di manutenzione predittiva non è semplicemente lo sviluppo di un algoritmo. Una volta sviluppato, l’algoritmo deve essere implementato in un ambiente di produzione come un sistema Internet of Things (IoT) per consentire alle organizzazioni di sfruttare i vantaggi di una riduzione dei tempi di fermo, di costi di manutenzione inferiori e di una migliore efficienza operativa.

L’ambiente di produzione in cui viene eseguito questo algoritmo deve gestire in modo sicuro i dati generati da diversi asset operativi e scalare le risorse di calcolo come necessario per garantire che gli algoritmi siano in grado di funzionare nel modo più efficace possibile attraverso sistemi edge o IT/OT. L’ambiente di produzione deve anche integrarsi con altri sistemi IT per la gestione dell’inventario, la creazione di ticket di assistenza e la presentazione di dashboard con i risultati dell’algoritmo al team operativo responsabile degli asset.

È importante tenere presente che, in questi ambienti di produzione, gli algoritmi di manutenzione predittiva non sono solo in esecuzione sul Cloud o sui server on-premise. Alcune parti dell’algoritmo, in particolare quelle relative alla pre-elaborazione dei dati e all’estrazione di feature, possono essere valutate su dispositivi edge come i controller industriali che si trovano proprio accanto all’asset operativo e sono in grado di elaborare i dati da esso generati ad alta velocità. Ciò aiuta a ridurre i costi di archiviazione e trasmissione dei dati.

• Soluzione di manutenzione predittiva distribuita mediante MATLAB su Azure Cloud
• Soluzione di manutenzione predittiva distribuita mediante MATLAB e Spark su AWS Cloud con Databricks

Gli ingegneri utilizzano MATLAB, Simulink e Predictive Maintenance Toolbox™ per sviluppare e implementare software di monitoraggio delle condizioni e manutenzione predittiva per sistemi IT e OT aziendali.

In questo modo sono in grado di:

• Accedere ai dati in streaming e archiviati utilizzando interfacce integrate per l’archiviazione su Cloud, database relazionali e non relazionali e protocolli come REST, MQTT e OPC UA.
• Pre-elaborare i dati ed estrarre le feature per monitorare le condizioni delle apparecchiature utilizzando app per l'elaborazione dei segnali e tecniche statistiche.
• Sviluppare modelli di Machine Learning per isolare la causa principale dei guasti e prevedere i guasti e la vita utile residua (RUL).
• Distribuire algoritmi e modelli su determinati sistemi in funzione. Generare automaticamente codice C/C++, HDL, PLC o CUDA per la distribuzione embedded o edge. Distribuire algoritmi sul Cloud come librerie condivise C/C++, applicazioni web, contenitori Docker, assembly .NET, classi Java^® e pacchetti Python.