en

È possibile intervenire in anticipo per evitare guasti e fermi macchina?
Per prevedere le derive di impianto è necessario un evento anomalo?
Esistono soluzioni di AI per la manutenzione predittiva “ready to use”?

09 Giugno 2021

Tempo di lettura: 4 minuti

Come l’intelligenza artificiale può aiutarvi a prendere decisioni strategiche sulla base dei dati provenienti dai processi produttivi.

Verso la fabbrica connessa, predittiva e intelligente

Partiamo da alcuni dati concreti su Industria 4.0 e derive di processo:

  • le attività di manutenzione incidono dal 15% fino al 40% sui costi di produzione1 e la causa principale risiede nelle attività manutentive non programmate;
  • uno stesso intervento manutentivo, se eseguito in seguito a un evento improvviso, arriva a costare il 30% in più rispetto all’esecuzione programmata in anticipo2, a causa dei costi legati al fermo della produzione, alle perdite di opportunità commerciali e di fiducia da parte del cliente;
  • il 40% dei costi della manutenzione preventiva sono investiti su assets che non hanno impatti significativi sul processo produttivo e il 30% delle attività vengono eseguite con una frequenza troppo elevata rispetto alle reali necessità3.

Bastano questi pochi elementi per capire l’impatto che potrebbe avere una più accurata pianificazione della manutenzione, sulla base del reale stato di salute delle macchine, a partire dal monitoraggio real-time degli asset messo in atto tramite sistemi di industrial IoT. Si parla di manutenzione “just-in-time”, in contrapposizione all’approccio “run-to-failure” che prevede l’intervento solo in seguito a un guasto. L’obiettivo ideale a cui puntare è lo “zero downtime”, ossia riuscire a mantenere le linee di produzione sempre in attività, senza doverle fermare per riparazioni impreviste a seguito di malfunzionamenti.

Industrial IoT e intelligenza artificiale abilitano analisi e interventi di “precisione” sugli asset e possono fare davvero la differenza verso l’ottimizzazione del processo produttivo e manutentivo, con l’obiettivo di creare una fabbrica connessa, predittiva e intelligente.

Soluzioni di intelligenza artificiale per la manutenzione predittiva di precisione

Una prima necessaria precisazione: un’anomalia non è un guasto, ma può essere l’indicatore di una deriva in corso che può portare a un fermo macchina imprevisto e alla produzione di pezzi non conformi.

A partire da questo assunto, in Oròbix abbiamo sviluppato detectiv.ai, un sistema di rilevazione delle anomalie (“anomaly detection” o “outlier detection” nel gergo della Data Science) che sfrutta algoritmi di intelligenza artificiale per individuare automaticamente situazioni anomale nelle serie storiche di dati rilevati dai sensori a bordo macchina. 

Una strategia basata sui dati provenienti da sistemi di industrial IoT che consente di determinare in tempo reale un cambiamento nelle condizioni e nelle prestazioni degli assets, anche quando questo non è direttamente intercettabile da parte dell’operatore perchè non legato ad un unico sensore ma dovuto all’interazione di più parametri.

Un semplice alert che permette all’operatore di intervenire in anticipo per evitare guasti, fermi macchina e prodotti non conformi.

 

La caratteristica principale di detectiv.ai è la capacità di imparare a predire le derive di impianto basandosi solo su dati di funzionamento “normali” (ovvero non anomali), senza dover aspettare il verificarsi di un’anomalia per poter allenare il modello. In questo modo si riduce il tempo dedicato alla raccolta di dati, iniziando fin da subito a generare valore per il business.

Per rendere detectiv.ai in grado di adattarsi alle peculiarità di ogni attività produttiva, sono implementabili modelli specifici per singolo prodotto o per processo di lavorazione. Ogni volta risulti necessario, detectiv.ai utilizza automaticamente il modello disegnato per rispondere puntualmente all’esigenza di processo, creandone uno nuovo qualora non presente. Questo permette al sistema di essere aderente allo specifico use case e di limitare al minimo la necessità di configurazione.

Attraverso la dashboard di monitoraggio, è possibile avere piena visibilità delle performance del sistema nel tempo e se necessario, riaddestrare i modelli sulla base di nuovi dati a disposizione.

detectiv.ai è una delle nostre AI Solutions - soluzioni di intelligenza artificiale “ready-to-use” - che portano le potenzialità dell’AI all’interno delle fabbriche con sistemi semplici da usare, affidabili, a costi contenuti e con un alto ritorno di investimento nel tempo.

Risultati concreti

I benefici di questo approccio sono molteplici e quantificabili. 

  • si evitano guasti e fermi macchina improvvisi con i relativi costi associati (di manutenzione e di mancata produzione);
  • si monitorano in tempo reale eventuali derive di processo e si può intervenire tempestivamente in caso di produzione non conforme, risalendo al momento in cui l’anomalia è iniziata e segregando il materiale compromesso;
  • si massimizza il tempo di funzionamento delle macchine, aumentando la produttività e l’efficienza;
  • si risparmia sui componenti, sfruttandoli al massimo e sostituendoli solo quando la vita utile è prossima alla fine. 

1“An industry 4.0-enabled low cost predictive maintenance approach for smes,” in 2018 IEEE International Conference on Engineering, Technology and Innovation (ICE/ITMC), 2018
2“An introduction to predictive maintenance”, R. K. Mobley, Elsevier, 2002
3,4http://www.plant-maintenance.com/articles/PMCostReduction.pdf
5,6,7“Asset Monitoring & predictive maintenance”, Deloitte, 2017
8,10G.P. Sullivan, R. Pugh, A.P. Melendez and W.D. Hunt, “Operations & Maintenance Best Practices: A Guide to Achieving Operational Efficiency, Release 3.0,” Pacific Northwest National Laboratory, U.S. Department of Energy, August 2010
9Predictive Maintenance 4.0: Beyond the hype, 2018, PwC

Vuoi approfondire le nostre soluzioni di intelligenza artificiale "ready to use"? Contattaci e richiedi una demo di detectiv.ai.