La versione da marketing della manutenzione predittiva è semplice: si installano alcuni sensori, l’IA impara a conoscere la macchina e avvisa prima che si guasti.
La realtà è meno magica, ma molto più utile.
Il machine learning è davvero in grado di riconoscere correlazioni e variazioni difficili da gestire con semplici soglie. Ma solo se, a monte, le basi ingegneristiche, di acquisizione dati e di esercizio sono solide.
Per questo la manutenzione predittiva non nasce come progetto di IA, bensì da una domanda molto concreta:
Quale guasto vogliamo rilevare prima, e quale fenomeno fisico lo precede?
Non si monitora “la macchina” in generale
Un motore, una pompa o un riduttore possono guastarsi in molti modi diversi. Usura dei cuscinetti, squilibrio, problemi di lubrificazione, sovraccarico, difetti di isolamento e raffreddamento insufficiente lasciano ciascuno una traccia diversa.
Il primo passo è quindi definire i modi di guasto e le loro conseguenze. Occorre sapere:
- che cosa può guastarsi;
- con quale frequenza accade;
- quanto fermo impianto o danno provoca;
- se è rilevabile in anticipo;
- quanto tempo resta per intervenire;
- quale segnale misurato contiene informazioni utilizzabili.
Senza queste risposte si finisce facilmente con una raccolta dati costosa, che produce molte curve ma supporta poche decisioni di manutenzione.
Il sensore giusto conta più di un modello spettacolare
Fonti di dati tipiche del monitoraggio delle condizioni in ambito industriale:
- vibrazioni e accelerazione;
- temperatura;
- corrente elettrica, tensione e potenza;
- segnali acustici;
- pressione e portata;
- velocità di rotazione;
- umidità o altri parametri ambientali.
Non è però indifferente dove si colloca il sensore, in quale direzione misura, come è fissato, quali sono la frequenza di campionamento, il campo di misura e il livello di rumore.
Un sensore di vibrazione fissato male meccanicamente può fare più danni di un algoritmo meno sofisticato: il modello imparerà sistematicamente da dati sbagliati. Lo stesso vale per un trasformatore di corrente inadeguato, per una misura di temperatura lenta o per un segnale acustico isolato dal contesto di processo.
Il campionamento deve adattarsi al fenomeno
Una temperatura dei cuscinetti che varia lentamente può essere monitorata a sufficienza con cadenza di un secondo o di un minuto. L’analisi spettrale delle vibrazioni richiede invece un campionamento più veloce di diversi ordini di grandezza.
Se si misura troppo di rado, il fenomeno rilevante scompare. Se si misura più spesso del necessario, aumentano inutilmente il traffico dati e i costi di elaborazione.
Per questo l’elaborazione edge può essere particolarmente utile. Il dispositivo locale può calcolare dal segnale grezzo ad alta frequenza grandezze come RMS, valore di picco, curtosi o energia in determinate bande di frequenza, e inviare al sistema centrale solo la loro evoluzione nel tempo.
Prima bisogna imparare il funzionamento normale
I dati di una macchina non sono di per sé normali o anomali. Lo stesso assorbimento di corrente può avere un significato diverso a vuoto, a pieno carico, all’avviamento o durante un ciclo di pulizia.
Una valutazione affidabile delle condizioni richiede quindi il contesto operativo:
- carico attuale;
- modalità di funzionamento;
- prodotto o ricetta;
- temperatura ambiente;
- turno;
- stato di manutenzione;
- eventi di avviamento e arresto.
La baseline non è un singolo valore medio. È l’intervallo multidimensionale del funzionamento normale, che può variare da una situazione operativa all’altra.
Senza qualità dei dati, l’IA sbaglia con sicurezza
I dati industriali reali sono incompleti, rumorosi e talvolta contraddittori. La sostituzione di un sensore, un’interruzione della comunicazione, una marca temporale errata, un aggiornamento del firmware o un’impostazione di processo modificata possono interrompere una serie di dati.
Occorre gestire:
- i campioni mancanti;
- i dati duplicati;
- i codici di errore registrati come valori misurati;
- le variazioni di scala;
- i problemi di sincronizzazione temporale;
- la deriva dei sensori;
- il nuovo stato di riferimento dopo la manutenzione.
L’IA non corregge automaticamente questi errori. Se non vengono individuati, il modello potrebbe persino imparare che un errore di comunicazione è il segnale di un imminente guasto ai cuscinetti.
Non sempre serve il machine learning supervisionato
Nell’industria gli eventi di guasto ben etichettati sono spesso pochi. È logico: per fortuna non tutte le macchine si guastano cento volte con ogni circostanza documentata con precisione.
Si possono quindi prendere in considerazione diversi approcci:
- soglie ingegneristiche e sistemi di regole;
- rilevamento statistico di trend e variazioni;
- rilevamento non supervisionato delle anomalie;
- stima dello stato;
- classificazione supervisionata, se sono disponibili dati etichettati adeguati;
- stima della vita utile residua, se la base di dati lo consente davvero.
Una buona soluzione non è avanzata perché usa il modello più complesso possibile. È avanzata perché supporta la decisione di manutenzione al momento giusto, con un tasso di falsi allarmi accettabile.
Il valore per il business inizia dopo l’allarme
Un punteggio di anomalia, da solo, non ripara nulla. Bisogna stabilire che cosa succede dopo:
- chi riceve la segnalazione;
- quali dati aggiuntivi può consultare;
- quale livello di gravità viene assegnato all’evento;
- se è necessario un controllo sul posto;
- se viene aperto un ordine di lavoro;
- come la diagnosi e l’esito della riparazione tornano nel processo di apprendimento.
Il punto di forza di OrigSmart è proprio la gestione dell’intera catena. Dalla progettazione di sensori e gateway, attraverso l’elaborazione delle serie temporali e l’analisi automatica, fino all’attività di manutenzione e al riscontro, un unico sistema può tenere insieme il processo.
Conviene dimostrarlo con un progetto pilota
Un buon progetto pilota di manutenzione predittiva non cerca di “portare l’IA” in tutto lo stabilimento in un colpo solo. Sceglie un’apparecchiatura o un modo di guasto importante per il business, definisce il criterio di successo, installa le misure necessarie e dimostra innanzitutto che i dati sono disponibili in modo stabile e interpretabile.
Seguono poi la baseline, la valutazione delle anomalie e il riscontro da parte dei manutentori. Il modello può passare a un livello di automazione superiore solo se i risultati operativi reali lo confermano.
La manutenzione predittiva, quindi, non diventa intelligente perché ci scriviamo sopra la parola IA.
Diventa intelligente quando trasforma il segnale fisico giusto, nel contesto giusto e attraverso un flusso di dati affidabile, in una vera decisione di manutenzione.
Parliamo del suo progetto