La manutenzione come attività cruciale nell’industria, con il suo impatto significativo sui costi e sull’affidabilità, è estremamente influente per la capacità di un’azienda di essere competitiva in termini di basso prezzo, alta qualità e prestazioni. Pertanto è fondamentale per le aziende sviluppare una strategia di manutenzione predittiva ben implementata ed efficiente in modo da prevenire interruzioni impreviste, migliorare l’affidabilità generale e ridurre i costi operativi.
Questo articolo focalizza la sua attenzione sulle strategie predittive per l’analisi delle attrezzature grazie all’intelligenza artificiale.
Introduzione
Nell’industria, eventuali interruzioni e tempi di inattività imprevisti di macchine o sistemi potrebbero degradare o interrompere il core business di un’azienda, con conseguenti penalità e perdita di reputazione. I tradizionali approcci alla manutenzione presentano alcuni presupposti e limiti, come costi di prevenzione/riparazione elevati, processi matematici di degrado inadeguati o imprecisi ed estrazione manuale delle funzionalità.
Con la tendenza della manifattura intelligente e dello sviluppo dell‘IoT, del data mining e dell’intelligenza artificiale, la Manutenzione Predittiva (PdM) viene proposta come un nuovo tipo di paradigma per eseguire manutenzioni solo dopo che i modelli analitici hanno previsto determinati guasti o degradi.
L’evoluzione delle tecniche moderne (ad es. Internet delle cose, tecnologia di rilevamento, intelligenza artificiale, ecc.) riflette una transizione delle strategie di manutenzione dalla Manutenzione Reattiva (RM) alla Manutenzione Preventiva (PM) alla Manutenzione Predittiva (PdM). RM viene eseguita solo per ripristinare lo stato operativo dell’apparecchiatura dopo che si è verificato un guasto, e quindi comporta ritardi notevoli e costi di riparazione elevati.
La PM viene eseguita in base a una pianificazione sulla base del tempo o delle iterazioni di processo per prevenire i guasti, e può comportare una manutenzione non necessaria e costi elevati di prevenzione. Al fine di ottenere il miglior compromesso tra i due, PdM è basata su una stima della “salute” e può realizzare tempestivi interventi pre-guasto. PdM consente alla frequenza di manutenzione di essere la più bassa possibile per prevenire RM non pianificate, senza incorrere nei costi associati nel fare troppe PM.
Benefici | Svantaggi | Casi d’uso | |
RM | Massima utilizzazione e produzione del valore. Bassi costi di prevenzione. | Tempi di inattività non pianificati. Elevati costi di inventario dei pezzi di ricambio. Potenziale ulteriore danno per l’equipaggiamento. Costi di riparazione più elevati. | Quando si ha attrezzatura ridondante. Riparazione di attrezzature con basso costo dopo il guasto. |
PM | Costi di riparazione inferiori. Meno malfunzionamenti dell’attrezzatura e tempi di inattività non pianificati. | Necessità di inventario. Maggiori tempi di inattività pianificati. Manutenzione su attrezzatura apparentemente perfetta. | In quei casi in cui la probabilità di guasto aumenta con il tempo o l’uso. |
PdM | Una visione olistica della salute dell’attrezzatura. Opzioni di analisi migliorate. Evita malfunzionamenti. Evita sostituzione componente con vita utile. | Aumentati costi e impostazione dell’infrastruttura iniziale (ad es. sensori). Sistema più complesso. | Modalità di guasti che possono essere previsti in modo conveniente con monitoraggio regolare. |
La Manutenzione Predittiva
Il concetto di PdM esiste da molti anni, ma solo recentemente le tecnologie emergenti sono diventate apparentemente capaci e poco costose da rendere la PdM ampiamente accessibile. La PdM comporta in genere il monitoraggio delle condizioni, la diagnosi e prognosi dei guasti, e i piani di manutenzione.
Le tecnologie abilitanti hanno il potenziale di rilevare, isolare e identificare il precursore e incipiente malfunzionamento di macchinari e componenti, monitorare e prevedere la progressione dei guasti e fornire supporto alle decisioni o l’automazione per sviluppare programmi di manutenzione.
In particolare, le tecnologie emergenti migliorano la PdM nei seguenti aspetti:
- IoT per l’acquisizione dei dati – l’IoT consente di raccogliere un enorme e crescente quantità di dati da più sensori installati su macchine o componenti.
- Tecniche di big data per (pre) elaborazione dei dati – le tecniche di big data hanno rivoluzionato la manutenzione intelligente trasformando in azioni i dati dei macchinari.
- Metodi avanzati di deep learning (DL) per la diagnosi e prognosi dei guasti – negli ultimi anni, sempre più approcci DL vengono inventati e maturano in termini di classificazione e regressione. Il maggior numero di strati e neuroni in una rete DL consentono l’astrazione di problemi complessi e consentono una maggiore precisione nella diagnosi e prognosi dei guasti (ad es. predizione della vita utile rimanente).
- Deep Reinforcement Learning (DRL) per il processo decisionale – DRL e le sue varianti forniscono una tecnica promettente per un controllo efficace in sistemi complessi. DRL è in grado di gestire ambienti tempo-varianti altamente dinamici.
- Software potenti per elaborazione complessa – con il rapido sviluppo della tecnologia dei semiconduttori, hardware potenti, come unità di elaborazione grafica (GPU) e unità di elaborazione tensoriale (TPU), possono accelerare in modo significativo il processo di evoluzione e ridurre il tempo richiesto dagli algoritmi DL.
Architettura
Un esempio di architettura di sistema per la manutenzione predittiva viene proposto in figura 1.
La prima operazione del sistema avviene con il modulo di “Acquisizione Dati“, in cui i dati provenienti da diverse fonti vengono raccolti tramite una “rete di sensori” e memorizzati. Quindi i dati vengono inviati al modulo di “Pre-elaborazione dei dati“, dove avviene la loro pulizia, l’integrazione e vengono condotte operazioni di trasformazione ed estrazione delle caratteristiche. L’output di questo modulo viene utilizzato come input per il modulo “Analisi dei dati“, dove analisi avanzata dei dati e apprendimento macchina/profonda vengono utilizzati per la generazione della conoscenza. Il modulo “Supporto decisionale” visualizza il risultato di “Analisi dei Dati” e fornisce un programma di manutenzione ottimizzato. Infine, il blocco “Implementazione della manutenzione” opera sul mondo fisico secondo le decisioni di mantenimento e implementa attività di manutenzione per raggiungere un determinato scopo.
La sensoristica
Nella manutenzione predittiva quindi le condizioni dei macchinari vengono monitorate in tempo reale attraverso l’utilizzo di sensori installati sulle parti critiche e le deviazioni rilevate vengono trasmesse al software che provvederà alla loro elaborazione.