Case Histories
Manutenzione predittiva, food & beverage
Task
Analisi dati
Anomaly detection
Settore
Food and beverage
OEM original equipment manufacturer
Tecnologie
Machine Learning
detectiv.ai
invariant.ai
Similarity
Problema
Realizzare un sistema di anomaly detection su dati provenienti da sensori eterogenei installati a bordo di una macchina industriale per la produzione di pasta, con l’obiettivo di anticipare possibili malfunzionamenti e fermi macchina. In particolare, i dati provengono da sensori collocati sui motori elettrici di alcuni ventilatori, operanti nella fase di essiccatura e soggetti a frequenti guasti.
Situazione iniziale
Attualmente la manutenzione dei motori viene effettuata nel momento in cui viene riscontrato un guasto. Risulta quindi di notevole interesse la possibilità di identificare eventuali anomalie nelle variabili misurate dai sensori riconducibili a un malfunzionamento, così da anticipare la manutenzione.
Ad oggi i dati raccolti dai sensori non risultano facilmente interpretabili in quanto l’anomalia non è individuabile analizzando i dati relativi a un singolo sensore ma dall’interazione tra alcune variabili. Inoltre i frequenti cambi di produzione, legati ai diversi formati della pasta, rendono i dati non omogenei.
Soluzione messa in campo
Il progetto si è articolato in due fasi:
- la prima ha riguardato l’analisi preliminare della qualità e della quantità dei dati disponibili attraverso detectiv.ai, con l‘obiettivo di individuare anomalie e capire le relazioni fisiche e di processo tra i dati e le covariate maggiormente implicate nel processo;
- la seconda ha riguardato lo sviluppo di due algoritmi di machine learning utilizzati in cascata, per classificare i dati registrati dai sensori.
Tramite il primo algoritmo i dati vengono classificati come “normali” ovvero conformi al comportamento standard della macchina o come “potenzialmente anomali” ovvero come evidenze di un possibile guasto. Ad ogni istante viene generato un vettore contenente i dati classificati che definisce lo “stato del motore”. Se in uno “stato del motore” viene rilevata almeno un’anomalia, il vettore viene dato in input al secondo algoritmo che permette di classificare lo stato come “mai visto in precedenza” oppure “simile a uno già registrato” calcolando in automatico una misura di similarità e associando una specifica etichetta data dall’operatore. Attraverso l’utilizzo di SIMILARITY, il sistema individua i casi anomali più simili già affrontati, proponendo una soluzione al problema sulla base delle esperienze passate (indicando per esempio “chi” e “come” aveva svolto la manutenzione in passato) riducendo notevolmente i tempi necessari all’individuazione della soluzione corretta.
Risultati raggiunti
Il sistema messo in campo ha permesso di anticipare i malfunzionamenti, riducendo il numero dei fermi macchina legati al verificarsi di guasti e i danni collaterali ad essi associati. Ha permesso inoltre una velocizzazione delle operazioni stesse di manutenzione, attraverso la proposta di soluzioni di successo già implementate su casi simili, diventando uno strumento importante per la business continuity e la digitalizzazione dell’esperienza pratica degli operatori.
La disponibilità costante delle macchine di produzione si è inoltre tradotta in un aumento della produttività generale dell’impianto.
Sviluppi in corso
Il cliente ha deciso di estendere l’utilizzo di detectiv.ai ad altre aree della linea e di gestire tutte le intelligenze artificiali messe in campo attraverso invariant.ai, in modo da avere una piena visibilità real-time sul funzionamento e sulle performance dei sistemi.