Quando si parla di manutenzione predittiva ci si immerge immediatamente in uno dei filoni applicativi più evoluti dell’Internet of Things (IoT), in particolare quello dell’Industrial IoT (ossia l’applicazione dell’Internet delle cose al mondo industriale, manifatturiero ma non solo), che negli ultimi anni ha avuto una forte accelerazione, sia in termini di maturità tecnologica che dal punto di vista di adozione da parte delle aziende, grazie alla disponibilità di Big Data, di sensori e device in grado di “catturare” i dati in real-time e di algoritmi di machine learning che abilitano le analisi predittive.
Fare oggi manutenzione predittiva significa, di fatto, monitorare le condizioni di apparecchiature, macchinari, asset aziendali in modo da prevenire guasti, fermi, anomalie che possono rappresentare un rischio, se non addirittura un danno, per i processi produttivi o per l’erogazione di determinati servizi (pensiamo per esempio agli asset di una utility, come un’azienda del settore Telco, che stanno alla base dell’erogazione di un servizio di pubblica utilità).
La manutenzione predittiva richiede dunque che ci sia un’analisi avanzata di dati e che questi possano provenire da fonti differenti: quanti più dati (di qualità e coerenti) si possono raccogliere ed analizzare, tanto più saranno accurate le previsioni e tanto più efficace saranno gli interventi di manutenzione predittiva. In altre parole, acquisizione ed elaborazione dei dati, tramite sensori e tecnologie IoT e piattaforme di Big Data Advanced Analytics, abilitano un processo decisionale specifico per la manutenzione molto più efficace (nonché più efficiente e meno costoso).
Le tecnologie che abilitano la manutenzione predittiva
Per riuscire a consolidare un processo di manutenzione predittiva realmente efficace, è evidente che servano diverse tecnologie abilitanti, il cui comune denominatore è sempre uno: il dato!
Da un punto di vista molto ampio, le tecnologie abilitanti spaziano dalle soluzioni specifiche per i Big Data ai sistemi hardware per la raccolta dei dati in specifici contesti (device, sensori, antenne, connettori, hub, ecc.), passando per il cloud computing, l’edge computing, le infrastrutture di rete ed arrivando alle più avanzate tecniche di intelligenza artificiale, in particolare alle soluzioni di machine learning.
La sfida principale per un’azienda che intende avviare un progetto di manutenzione predittiva è quindi districarsi nel “caos” dell’offerta, trovano la piattaforma più adatta alle proprie esigenze tenendo conto di alcuni importanti aspetti tecnologici:
- – i dati prodotti da device e sensori devono poter essere facilmente raccolti (per esempio in un Data Hub) e distribuiti in real-time alle applicazioni di monitoraggio
- – una volta “strutturati” in un data Lake o Big Datawarehouse, i dati devono confluire in sistemi di analisi (dati originari oppure quelli che derivano dai sistemi di monitoraggio che, in molti caso, effettuano una prima elaborazione ed analisi dei dati grezzi) per essere trasformati in informazioni e comparati con determinati indicatori
- – dall’analisi dei dati deve emergere quel patrimonio di conoscenza utile ad identificare anomalie e dal quale scaturiscono una serie di azioni (in taluni casi che possono essere anche automatizzate), che di fatto rappresentano la parte operativa della manutenzione predittiva.
E’ evidente che qualità, accuratezza, coerenza dei dati rappresentano pre-condizioni imprescindibili: è fondamentale avere a disposizione i dati “giusti” e al momento opportuno, tenendo conto di più variabili, non solo la provenienza e la tipologia dei dati ma anche le eventuali “influenze” che possono influire sulla qualità del dato: per esempio, il sensore che consente di dedurre la temperatura di un macchinario potrebbe aver subito alterazioni (anche per la sola obsolescenza) e produrre dati errati. E’ quindi importante tenere conto di tutte le complessità e le variabili legate ad uno specifico contesto ed ambiente operativo.
Machine learning, il punto di svolta per la manutenzione predittiva
Una delle tecniche che, recentemente, ha contribuito ad accelerare la manutenzione predittiva è il machine learning, il cosiddetto apprendimento automatico, che oggi consente alle aziende di identificare con più efficacia (ed efficienza) i modelli nei dati raccolti tramite l’IoT per prevedere quindi determinati “comportamenti”, per esempio un possibile guasto futuro di un componente o un asset.
I dati che provengono dai sensori IoT, quelli elaborati dai sistemi che analizzano le condizioni di un macchinario o asset aziendale, nonché tutti gli altri dati a disposizione dell’azienda (compresi per esempio quelli raccolti dal personale tramite le ispezioni visive), rappresentano spesso grandi moli di dati difficilmente analizzabili dall’essere umano e di complessa “interpretazione”: scovare correlazioni e modelli “nascosti” nei dati non è per nulla banale. Ecco perché è un compito affidato ai sistemi intelligenti, come quelli che sfruttano il machine learning per identificare pattern e correlazioni tra dati utili a comprendere e prevedere il funzionamento e le prestazioni di una macchina, un robot industriale, una linea produttiva, una centrale, un asset aziendale in generale.
In sostanza, gli algoritmi di machine learning vengono integrati con i sensori IoT per analizzare in real-time grandi moli di dati da cui derivare le condizioni delle apparecchiature e fornire informazioni utili al processo decisionale legato alla manutenzione, come il riscontro di anomalie e le previsioni di eventuali guasti, ma anche “semplicemente” per monitorare il reale stato di salute degli asset più critici e importanti per un’azienda.
BNova ha scelto la piattaforma IoT Keplero per gestire i processi legati al monitoraggio dei dati di produzione e alla manutenzione predittiva. Con Keplero si possono applicare in modo semplice ai dati in input tecniche di manutenzione predittiva fino ad arrivare all’automazione di sistemi produttivi e industriali.
Guarda il primo video pillola di presentazione delle funzionalità di Keplero
Categoria: ANALYTICS
Churn rate: cos’è, come si calcola e come gestirlo
Customer churn rate, tecniche e strumenti per capire quali sono le cause che portano un cliente a cercare alternative Leggi tutto
Change Data Capture (CDC): i vantaggi e come funziona
Il data management è una disciplina incredibilmente varia e complessa, che si compone di varie componenti, come la data replication.… Leggi tutto
Data warehouse vs database: differenze e come scegliere
Database e data warehouse sono indubbiamente tra i sistemi di gestione dei dati più popolari e diffusi in ambito aziendale.… Leggi tutto