Come l’intelligenza artificiale ci permette di pensare più in grande alla manutenzione predittiva degli impianti

Come l’intelligenza artificiale ci permette di pensare più in grande alla manutenzione predittiva degli impianti
       Scritto da Michele Zubani

Nel 2019, l’IA “attraversa il baratro” che separa la fase degli early adopters - gli utilizzatori pionieri - , dalla fase dell’uso da parte della maggioranza precoce (1).

L'intelligenza artificiale può essere il più veloce cambiamento di paradigma nella storia della tecnologia. Nel giro di tre anni, il rapporto di imprese che utilizzano IA crescerà da 1 su 25 a 1 su 3, ed una grande azienda su sette ha già adottato soluzioni di intelligenza artificiale e nei prossimi 24 mesi arriveranno ai due terzi2.

Grafico dati adozione IA in grandi aziende

Piani delle aziende per l'adozione di Intelligenza Artificiale 

 

 

Grafico dati adozione IA nelle aziende in Italia

Piani delle aziende italiane per l'adozione di Intelligenza Artificiale

 

Vediamo come vari impianti stanno già sfruttando macchinari intelligenti e super centri di lavoro dotati di computer, adottando soluzioni innovative volte al miglioramento dell’organizzazione aziendale, della produttività, della sicurezza e del benessere degli impiegati, e della concorrenza sul mercato.

 

Esempi di applicazioni di Intelligenza Artificiale nelle aziende

Ad esempio, modelli di visione artificiale permettono a bracci robotici di riconoscere la posizione e l’orientamento dei pezzi che devono prendere dal nastro di trasporto, oppure sistemi di riconoscimento dei pezzi rotti o di autodifesa da possibili guasti3. Negli ultimi anni sono stati creati robot collaborativi (CoBot) che sanno fare uso di algoritmi di machine learning per imparare dagli operai esperti quali movimenti fare nelle varie lavorazioni4 (schema di algoritmo generico di Machine Learning di esempio in questo articolo).

Queste piccole applicazioni che i produttori di macchinari stanno mettendo a punto sono il primo passo per il miglioramento della produttività e della semplificazione della manutenzione negli impianti industriali.

Accanto a ciò è importante considerare anche i vantaggi che si possono avere grazie all’analisi dei dati che sono messi a disposizione in un impianto dotato di sistemi di raccolta, quali ad esempio iDaq.

L’analisi di questi dati infatti è condizione imprescindibile per creare sistemi di manutenzione predittiva o per rilevare possibilità di efficientamento energetico e/o produttivo.

Queste applicazioni possono andare al di là di ciò che ogni singolo macchinario può fare, perché il macchinario conosce solo i propri parametri fisici, ma non ha un’idea complessiva dello stato dell’impianto; utilizzando invece i dati provenienti sia dai macchinari sia dall’ambiente circostante è possibile avere una visione più generale.

 

Leggi anche: Intelligenza artificiale: cos'è? E come può essere utile?

 

L’Intelligenza Artificiale su un intero impianto produttivo parte dai dati

La manutenzione di un intero impianto è complicata, perché la fabbrica non è la somma dei suoi macchinari.

Un semplice esempio è che se avessi più macchinari in linea e anche uno solo di questi si guastasse, la linea intera dovrebbe essere bloccata.

Al contrario, in un impianto con più linee, il guasto di una sola di esse non pregiudicherebbe la funzionalità delle altre.

Bisogna infine contare la componente umana, che ha un ruolo fondamentale nella gestione della fabbrica.

 

industria robot manutenzione predittiva

L'ottimizzazione globale dei parametri industriali è un problema complesso

Proprio per questo alcuni metodi di analisi dell’affidabilità dell’attività produttiva, che sono utili per fare manutenzione preventiva5, utilizzano schemi complessi per descrivere il comportamento del sistema generale a partire dai singoli componenti6.

Già per fare una manutenzione preventiva efficace è necessario avere un buon sistema di raccolta di informazioni relative al numero e alla tipologia di guasti provenienti dall’impianto, suddivisi per macchinari e parti di macchinario, perché è bene che l’azienda abbia un’idea di dove si verificano e con quali modalità.

La coscienza di cosa accade nel proprio impianto è poi il punto di partenza per poter scegliere quali quantità fisiche rilevare, sia dei macchinari sia dell’ambiente circostante, e grazie a queste creare un modello che possa essere predittivo.

 

Leggi anche: Manutenzione Predittiva: tipi di manutenzioni a confronto e vantaggi

 

Le competenze umane colmano le lacune del Deep Learning

La predizione può essere fatta non solo sul singolo macchinario ma sull’impianto in generale. Siccome la quantità di dati è in genere enorme viene spesso richiesto l’aiuto di algoritmi di machine learning che aiutino l’operatore umano a trovare delle regolarità o correlazioni con le quali costruire i modelli predittivi.

Ad esempio, come già spiegato nel post che parla dei vantaggi della manutenzione predittiva e dell’intelligenza artificiale nella gestione degli impianti produttivi, in futuro ci possiamo aspettare sistemi capaci di identificare le concatenazioni di eventi che portano ad un guasto lungo una linea, capaci quindi di dire se si verificherà un errore basandosi su ciò che è avvenuto sul sistema linea finora.

Questo modo di pensare in grande non esclude la possibilità di guardare anche il piccolo: è possibile utilizzare intelligenza artificiale o tecniche classiche di manutenzione predittiva anche sul singolo macchinario e poi utilizzare le informazioni generate da ciascuno di questi metodi per addestrare un sistema esperto che possa avere la visione d’insieme dell’impianto.

La tecnica di analizzare ogni parte di un sistema complesso singolarmente per poi ricostruire l’immagine generale è propria del metodo scientifico. Nell’ambito dell’intelligenza artificiale si parla di Deep Learning per indicare quei modelli di machine learning che partendo da una serie di dati grezzi estraggono schemi ricorrenti via via più astratti fino a restituire delle caratteristiche di carattere generale leggibili dall’utilizzatore finale7.

Un esempio chiaro è quello del riconoscimento facciale, nel quale l’immagine viene passata al computer come una sequenza di pixel e dalla quale il computer estrae il nome della persona raffigurata. Noi umani quando processiamo l’immagine che ci arriva agli occhi cerchiamo prima di riconoscere alcuni tratti del viso, come colore dei capelli, forma del naso, distanza fra gli occhi, e poi possiamo dire chi abbiamo davanti. Il modello di Deep Learning fa qualcosa di simile, ma impara in un modo tutto suo quali caratteristiche intermedie sono utili. Ogni passaggio di astrazione è automatico e il modello viene addestrato con esempi a trasformare i dati grezzi in informazioni che hanno valore e significato.

deep learning e machine learning - estrazione caratteristiche importanti

Modelli di machine learning e deep learning a confronto

Uno dei problemi dell’approccio basato interamente sul deep learning è che il numero di esempi necessari è molto alto, parliamo di migliaia o decine di migliaia di solito. Il numero è tanto più alto quanto il modello che viene sviluppato è buono un po’ per tutto.

Proprio per colmare questo punto debole a volte è opportuno sviluppare sistemi misti, nei quali parte della ricerca degli schemi coi quali interpretare i dati è automatica, mentre un’altra parte è prestabilita da noi umani in base alle nostre conoscenze pregresse e al problema specifico che abbiamo di fronte.

 

Un esempio di manutenzione predittiva su una linea produttiva

Prendiamo ad esempio una linea di stampaggio minima contenente un forno, una pressa e una trafilatrice, della quale vorremmo sapere se è in forte pericolo di una prossima rottura.

Un approccio basato sul solo Deep Learning sarebbe prendere tutti i dati provenienti dai tre macchinari e dare al modello il compito di capire come utilizzarli. In questi dati sono presenti sia informazioni fisiche (temperature, pressioni, potenze assorbite, …) sia indicatori (luci, segnali di allarme, stato macchina, …), ma il sistema non lo sa e quindi ci metterà un po’ a capire che per prevedere un guasto è più importante sapere se lo sforzo massimo richiesto dalla stampatrice si stia alzando in modo strano al posto di controllare se la porta della macchina stampatrice è aperta o chiusa. Al contrario l’esperto stampatore saprebbe già che quest’ultima informazione è solo di contorno; anzi a volte saprebbe non solo indicare quali parametri raccogliere, ma quali caratteristiche è importante tenere sotto controllo, indirizzando così il processo di apprendimento del modello.

In questo caso l’esperto potrebbe segnalare che lo sforzo massimo richiesto al macchinario è di solito costante, anche se dipendente dalla lavorazione, quindi si può pensare ad un modello che controlli quanto vari lo sforzo massimo attorno alla sua media, mentre non si basi sul controllo di soglie fisse per il valore di sforzo.

Inoltre, potremmo aiutare il sistema a raggruppare prima i dati per macchinario e poi raggruppare le informazioni ricavate da ognuno di essi per sapere se la linea stia per fermarsi; in questo modo si eviterebbe che il sistema mescoli tutti i dati in un unico calderone, ma abbia una struttura logica e gerarchica per analizzarli.

Proprio per regolare al meglio la logica dei calcoli è necessario per il programmatore basarsi sulle informazioni che gli può dare l’esperto di dominio (l’ingegnere, l’imprenditore o l’operaio che lavorano in azienda).

 

Il nostro punto di vista sull’IA

Per questo motivo crediamo che uno dei punti importanti del processo di estrazione di informazioni e addestramento di intelligenze artificiali sia la collaborazione tra persone esperte del loro lavoro nell’azienda che vuole installare un sistema di questo tipo e chi il sistema lo sviluppa.

Tante aziende in tutto il mondo si stanno cimentando nell’impresa di fornire sistemi di facile uso e che possano dare valore aggiunto all’attività degli imprenditori. Alcune sono colossi come IBM, Google o Microsoft, ma sono soprattutto le piccole realtà che riescono a far fronte alle esigenze delle PMI, perché possono fornire sistemi di intelligenza artificiale ritagliati sulle esigenze del cliente, quindi non generalisti8.

Se ti stai chiedendo se la tua azienda può beneficiare di soluzioni di intelligenza artificiale oppure hai intenzione di adottarla, contattaci per una valutazione sulla tua situazione reale.

Con il software Fabbrica Digitale 4.0 noi di TOOLS for SMART MINDS ci stiamo spingendo sempre di più nel campo della manutenzione predittiva e monitoraggio degli impianti, partendo dalla visualizzazione in tempo reale delle informazioni provenienti da macchinari, linee o fabbrica, fino all’utilizzo di modelli che possano predirne il comportamento.

Crediamo che il futuro stia in queste tecnologie e che i dati siano il punto di partenza perché con un mezzo così potente un imprenditore possa gestire in modo più razionale il buon funzionamento della produzione.

 


Note

1 Fonte: Everett Rogers, Geoffrey Moore

2 Fonte: Gartner

3 Per esempio al link http://www.assemblaggio-online.it/piu-intelligenza-artificiale-meno-fermi-macchina/ si fa riferimento ad una macchina imbottigliatrice che scarta automaticamente le bottiglie con anomalie prima di chiuderle, evitando così guasti meccanici.

6 Un esempio sono i Reliability Block Diagrams, schemi grafici nei quali ogni componente dell’impianto che è passibile di guasto è rappresentata da un blocchetto e i vari blocchetti sono collegati da linee spezzate per indicare se la rottura di una implica che anche l’altra non possa lavorare. L’impianto risulta quindi essere rappresentato da un insieme di blocchi e fili. Il diagramma può essere reso sempre più dettagliato andando ad analizzare anche le singole componenti di un macchinario se necessario.

 

Hai trovato l'articolo utile? Condividilo tramite i pulsanti sotto.

Iscriviti alla newsletter per rimanere aggiornato su altri articoli ed eventi


CONDIVIDI:        

Aggiungi commento

Codice di sicurezza Aggiorna

Iscriviti alla nostra newsletter

Iscriviti per ricevere i nostri aggiornamenti.

Lingua