Che cos’è la Predictive Maintenance?

Perché la Predictive Maintenance è importante

Per capire cosa rende la Predictive Maintenance così interessante, è importante comprendere i due modi in cui in genere viene eseguita la manutenzione: manutenzione reattiva e manutenzione preventiva.

Manutenzione reattiva e manutenzione preventiva

Seguendo un approccio di manutenzione reattiva, la manutenzione viene effettuata solo dopo il guasto della macchina. Questo approccio può essere adatto a una lampadina, ma i guasti e i tempi di fermo non pianificati possono essere molto costosi e pericolosi per le macchine industriali.

Molti operatori eseguono quindi una manutenzione preventiva, programmando la manutenzione a intervalli regolari senza prendere in considerazione le condizioni effettive della macchina. Sebbene questo approccio riduca il rischio di guasti rispetto alla manutenzione reattiva, si traduce in costi di manutenzione più elevati, in un aumento dei tempi di fermo e in un conseguente aumento dell’inventario e dei pezzi di ricambio. Questo approccio, inoltre, non previene i guasti imprevisti, poiché le condizioni della macchina vengono misurate solo periodicamente anziché monitorate e analizzate continuamente in tempo reale.

Acquisizione dei dati

L’acquisizione dei dati è il primo passo nello sviluppo di qualsiasi algoritmo di Predictive Maintenance. Gli algoritmi di IA 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 la macchina sia in condizioni di efficienza che di guasto.

Tuttavia, i dati relativi ai guasti 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 è difficile ottenere il giusto tipo di dati per iniziare a costruire un algoritmo accurato.

Una soluzione a questo problema consiste nel generare dati sintetici a partire da modelli basati sulla fisica, come quelli costruiti in Simulink^® e Simscape™. 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 generare dati di guasto in modo sicuro ed economicamente vantaggioso e senza influire sulle prestazioni della pompa dell’olio reale. Questi modelli basati sulla fisica possono poi essere utilizzati nelle operazioni come gemelli digitali per prevedere le prestazioni future.

Identificazione degli indicatori di condizione

Una volta raccolti i dati necessari, il passo successivo è quello di ridurli a un insieme di feature utilizzabili come indicatori di condizione per addestrare un algoritmo predittivo. Gli indicatori di condizione sono feature che indicano la differenza tra il funzionamento corretto e lo stato di guasto. Gli indicatori vengono tipicamente estratti mediante una combinazione di tecniche statistiche, di elaborazione di segnali e Model-Based, utilizzando analisi e strumenti di progettazione come MATLAB. In questo caso, l’esperienza dei team di ingegneri è fondamentale: loro sanno come funzionano le macchine e possono aiutare nell’individuare le feature migliori.

L’identificazione delle feature corrette è la chiave del successo di un algoritmo di Predictive Maintenance. Le feature corrette possono essere utilizzate per addestrare algoritmi per rilevare trend non facilmente osservabili. In più, l’estrazione delle feature riduce le dimensioni dei set di dati grezzi. Ad esempio, gli aerei di linea generano quasi un terabyte di dati per volo. Trasmettere, conservare e analizzare una tale quantità di dati può essere molto difficile ed è per questo che l’estrazione delle feature sta diventando sempre più importante.

Sviluppo degli algoritmi

Una volta estratte le feature migliori, il passo successivo consiste nell’addestrare il proprio algoritmo predittivo. Questi algoritmi si suddividono in tre categorie principali: rilevamento di anomalie, identificazione guasti (diagnostica) e stima della vita utile residua (prognostica). Il fine ultimo degli algoritmi di Predictive Maintenance è quello di trasformare i dati provenienti dai sensori in decisioni di manutenzione.

Se i dati vengono etichettati con modalità di guasto, gli ingegneri possono utilizzare metodi di apprendimento con supervisione per addestrare modelli predittivi a differenziare queste modalità di guasto. Questi modelli possono poi essere collegati a sistemi operativi sul campo, per poi essere utilizzati per determinare la causa principale del peggioramento delle prestazioni.

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 normali o 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 Predictive Maintenance.

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. Sapere quando la macchina potrebbe smettere di funzionare permette agli ingegneri di pianificare la manutenzione, ordinare i pezzi di ricambio o limitarne l’uso per allungarne la vita utile.

Distribuzione degli algoritmi per l’uso

Una soluzione di Predictive Maintenance non è solo una questione di algoritmi. Per ottenere vantaggi quali la riduzione dei tempi di fermi, la riduzione dei costi di manutenzione e l’aumento dell’efficienza operativa occorre distribuire gli algoritmi per l’uso.

L’ambiente operativo deve gestire i dati in sicurezza e scalare le risorse di calcolo per garantire che gli algoritmi possano essere eseguiti in modo efficace nei sistemi embedded o IT/OT. 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.

In molte applicazioni operative, gli algoritmi di Predictive Maintenance non vengono eseguiti esclusivamente nei server on-premise o su Cloud. Parti dell’algoritmo (in genere l’elaborazione di segnali e l’estrazione di feature) possono essere distribuite direttamente sui dispositivi edge come i controller industriali che possono elaborare rapidamente i dati dei sensori di alta frequenza in tempo reale. Ciò aiuta a ridurre i costi di archiviazione e trasmissione dei dati.

Predictive Maintenance con MATLAB e Simulink

Gli ingegneri usano MATLAB, Simulink e Predictive Maintenance Toolbox™ per progettare, testare e distribuire algoritmi personalizzati di monitoraggio delle condizioni e di Predictive Maintenance.

Con MATLAB e Simulink, è possibile:

• Accedere ai dati di streaming e ai dati archiviati su Cloud, database, storici dei dati e protocolli industriali.
• Esplorare, estrarre e classificare in modo interattivo le feature con Diagnostic Feature Designer.
• Sviluppare modelli predittivi per rilevare anomalie, identificare guasti e prevedere la vita utile residua (RUL).
• Costruire modelli basati sulla fisica per generare dati di sensori sintetici e distribuire gemelli digitali.
• Generare codice C/C++ per l’elaborazione edge in tempo reale.
• Procedere all’integrazione con i propri sistemi IT/OT preferiti, senza ricodifica: scalare gli algoritmi nel Cloud sotto forma di librerie condivise, pacchetti, web app, contenitori Docker e molto altro ancora.

Argomenti correlati