Manutenzione predittiva, la carta in più dell’IoT industriale

L'internet of things industriale aggiunge nuove capacità alla tecnologia operativa, tra cui la gestione remota e l'analisi delle performance, ma il valore aggiunto numero uno finora riconosciuto è la manutenzione predittiva.

La combinazione di machine learning e intelligenza artificiale con l'abbondante pool di dati generato dal flusso di nuovi dispositivi collegati offre l'opportunità di comprendere più a fondo il modo in cui i sistemi complessi funzionano e interagiscono tra loro.

E questo può promuovere la manutenzione predittiva, cioè la capacità di segnalare quando i componenti delle attrezzature industriali rischiano di non funzionare, in modo da poter essere sostituiti o riparati prima che si guastino, evitando così danni più costosi e tempi di inattività.

Machine learning e manutenzione predittiva

Una delle complessità della manutenzione predittiva è che i modelli prodotti dall’Intelligenza artificiale per il comportamento dei sistemi devono cambiare nel tempo. Prendendo ad esempio un treno, con l’invecchiamento delle parti c’è una risposta diversa alle sollecitazioni rispetto a quando sono nuove.

Per questo motivo, i programmi di manutenzione devono essere adattati nel tempo per tenere conto dei tassi di guasto variabili. Queste pianificazioni possono essere generate con i modelli che sono il risultato di apprendimento della macchina. All'inizio della sua vita utile, si verificano frequenti guasti, ma i processi di manutenzione vengono individuati con il passare del tempo, per cui i guasti diventano molto più rari. E poi alla fine del ciclo di vita ricominciano i problemi.

Questo tipo di modello prodotto con l'Ia può essere creato anche per altri settori, e Hitachi ha appena rilasciato una piattaforma chiamata Lumeda che raccoglie i dati IIoT che i data scientist possono utilizzare per regolare i propri modelli di apprendimento automatico in modo più preciso.

Un esempio è il processo di fabbricazione di prodotti chimici. Con Lumada, Hitachi Vantara crea un pool di dati centralizzato su cui è possibile sperimentare, in modo che il processo di test di diversi modelli permettea all’azienda di ottenere una previsione più accurata di ciò che sta per accadere alle sostanze chimiche all'altra estremità della linea di produzione.

Un altro esempio riguarda le automobili. Quelle fabbricate negli ultimi 15 anni dispongono generalmente di un computer di bordo denominato Obd-II, che rappresenta la versione 2 della diagnostica di bordo. Una startup chiamata TheCarForce sta cercando di sfruttare i dati provenienti da quel computer per aiutare i driver, le officine e, in ultima analisi, anche i produttori.

L'hardware di CarForce è un dongle che si collega a quella porta e vi rimane, inviando i dati diagnostici, tramite una scheda Sim, a un hub centrale. CarForce si concentra principalmente sulla vendita dei suoi prodotti ai garage, ma i potenziali beneficiari sono numerosi. Nel caso di utilizzo in garage, i meccanici possono ottenere dati di manutenzione in tempo reale dai veicoli che assistono, il che offre sia la possibilità di avvertire i clienti di problemi imminenti sia di correlare grandi gruppi di dati insieme per aiutare a prevedere problemi di affidabilità futuri.

Si tratta di un valore aggiunto, perché il garage può rimanere un passo avanti rispetto ai problemi meccanici e può contattare il cliente per pianificare la manutenzione. Anche la consapevolezza che il cliente X potrebbe entrare per un cambio dell'olio in un determinato giorno può essere d'aiuto nella pianificazione e nella programmazione.

In questo modo è possibile fare raccomandazioni non solo alle officine, ma anche al costruttore dell'auto. Perché quando si osservano tre guasti verificarsi in tandem, significa che la cosa X sta per accadere all’auto.

L'applicazione in agricoltura

Senter Farms lavora 20.000 ettari di colture nel nord-est dell'Arkansas, 40 miglia a nord di Memphis, nel delta del fiume Mississippi. Cotone, riso a grani lunghi, soia, mais e grano. 23 trattori, tre mietitrebbie, due cotton-pickers e quattro irroratrici tutti agganciati al sistema JDLink di John Deere per l'IoT agricola.

La stagione di lavoro dura da metà marzo a fine ottobre, e le macchine devono essere completamente disponibili per tutto questo periodo. Deere analizza anche gli avvisi minori - ciò che Senter dice potrebbe essere considerato un avviso "fastidioso" per l'operatore sul campo - e li usa per trarre modelli e conclusioni sull'affidabilità e sui dati di servizio.

Il team IIoT di Deere esegue analisi di alto livello sui dati che riceve dalle macchine collegate e ha aiutato materialmente le operazioni di Senter.

Una piccola vibrazione del motore sembrava un difetto da nulla, ma si è rivelata invece un segnale di guasto incipiente su 10 dei 13 trattori sui quali il codice si era rivelato valido. Il problema è stato risolto con una correzione di 200-300 dollari, invece di 6.000 dollari per sostituire l'intera unità.

Se questo articolo ti è piaciuto e vuoi rimanere sempre informato sulle novità tecnologiche iscriviti alla newsletter gratuita.

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here