La Predictive Maintenance è un approccio alla manutenzione di macchine industriali operative come motori a reazione, turbine eoliche e pompe dell’olio mediante l’utilizzo di algoritmi predittivi. Questi algoritmi predittivi utilizzano i dati dei sensori e altre informazioni utili per rilevare anomalie, monitorare lo stato operativo dei componenti e stimare la vita utile residua (RUL). Con la Predictive Maintenance è possibile programmare la manutenzione al momento giusto, né troppo presto né troppo tardi.
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.
Tre tipi di manutenzione e il loro approccio alla gestione dei guasti.
Predictive Maintenance
A differenza della manutenzione reattiva e preventiva, la Predictive Maintenance monitora in continuo le condizioni correnti della macchina e ne stima i guasti nel futuro. Ciò consente agli operatori di pianificare la manutenzione esattamente quando ce n’è bisogno, né troppo presto né troppo tardi.
Fare manutenzione in questo modo è molto vantaggioso. La Predictive Maintenance minimizza i tempi di fermo non programmati, riduce i costi operativi e fornisce avvertimenti per i problemi imprevisti. Ma i vantaggi vanno oltre il funzionamento della macchina: i produttori che sviluppano soluzioni di Predictive Maintenance possono generare un nuovo flusso di ricavi offrendo la Predictive Maintenance as a Service ai propri clienti.
Come funziona la Predictive Maintenance
Alla base di una soluzione di Predictive Maintenance vi è un algoritmo che analizza i dati dei sensori per rilevare anomalie, diagnosticare problemi alle apparecchiature o prevedere la vita utile residua (RUL) della macchina.
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 algoritmo di IA o statistico. Questo algoritmo può successivamente essere distribuito su scala, in modalità embedded direttamente sul dispositivo edge oppure integrato nei sistemi IT/OT a cui vengono trasmessi i dati. Se la distribuzione non viene completata correttamente, non è possibile ottenere i benefici di una soluzione di Predictive Maintenance.
Workflow per sviluppare algoritmi di Predictive Maintenance.
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.
Progettazione delle feature per la Predictive Maintenance
Usa Diagnostic Feature Designer per estrarre, analizzare e classificare le feature, in modo tale da addestrare algoritmi di Predictive Maintenance.
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.
Tipi di algoritmi utilizzati nelle soluzioni di Predictive Maintenance e le domande a cui rispondono.
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.
Tech Talk: sviluppo di algoritmi di Predictive Maintenance
Scopri come la Predictive Maintenance ti consente di individuare il momento più adatto per programmare la manutenzione in base alla stima dei tempi di guasto, in modo tale da minimizzare i tempi di fermo e trarre il massimo dalle tue apparecchiature.
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.
Per saperne di più
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.
Estrarre e classificare le feature in modo interattivo senza scrivere codice con l’app Diagnostic Feature Designer in MATLAB.
La manutenzione predittiva applica l’analisi dei dati e il Machine Learning ai dati provenienti dai sensori degli impianti per rilevare anomalie, monitorare lo stato di salute degli asset e prevedere i guasti prima che si verifichino. Questo consente alle organizzazioni di programmare gli interventi di manutenzione nel momento più opportuno, riducendo i tempi di inattività e i costi di manutenzione.
La manutenzione predittiva riduce i tempi di fermo non pianificati, abbassa i costi di manutenzione e prolunga la vita utile degli asset. Questo approccio è particolarmente importante nei settori in cui l’affidabilità influisce direttamente sulla sicurezza e sulla produttività.
La manutenzione predittiva richiede generalmente dati storici di serie temporali provenienti dai sensori delle macchine, come vibrazioni, pressione e temperatura, oltre alle condizioni operative. Anche gli storici di manutenzione e di guasto possono essere utili per etichettare i dati come normali o difettosi. Queste informazioni vengono utilizzate per addestrare algoritmi in grado di identificare pattern e prevedere potenziali problemi utilizzando dati in tempo reale.
La manutenzione preventiva segue una pianificazione prestabilita, mentre la manutenzione predittiva utilizza dati in tempo reale e modelli per determinare quando è realmente necessario intervenire. Questo approccio riduce gli interventi non necessari e aiuta a prevenire guasti inattesi.
Gli algoritmi più comuni includono il rilevamento delle anomalie, la diagnosi dei guasti e la stima della vita utile residua (Remaining Useful Life, RUL). Questi modelli possono sfruttare il Machine Learning, il Deep Learning e metodi statistici per analizzare i dati dei sensori e prevedere i guasti.
La stima della RUL consiste nel prevedere i modelli di degrado utilizzando dati storici di guasto e misurazioni provenienti dai sensori. Questo processo prevede la progettazione di indicatori di salute e l’applicazione di modelli specializzati per la stima della RUL (modelli di sopravvivenza, di similarità o di degrado), tecniche di previsione di serie temporali, metodi di regressione o Deep Learning per stimare quando un componente potrebbe guastarsi.
Tra le principali sfide rientrano l’accesso ai dati provenienti dai sensori, l’elaborazione di dati rumorosi e ad alta dimensionalità, l’estrazione di caratteristiche significative e la realizzazione di modelli in grado di generalizzare a diverse macchine e condizioni operative. Anche garantire previsioni accurate con pochi dati di guasto e mantenere le prestazioni del modello nel tempo rappresenta una sfida importante.
MATLAB offre strumenti specializzati per l’elaborazione dei dati e dei segnali, l’estrazione delle caratteristiche, il Machine Learning e la manutenzione predittiva. Simulink consente di simulare sistemi o componenti e generare dati sintetici realistici. MATLAB si integra inoltre con dispositivi IoT e supporta il deployment su sistemi embedded, risultando particolarmente adatto per applicazioni di manutenzione predittiva in tempo reale.
Il rilevamento delle anomalie consente di identificare comportamenti insoliti nei dati dei sensori caratterizzando le condizioni operative normali e rilevando deviazioni rispetto a tali condizioni. Questi schemi possono indicare potenziali guasti prima che diventino critici. Il rilevamento delle anomalie rappresenta spesso il primo passo di un workflow di manutenzione predittiva.
