Sfrutta al massimo il potenziale della manutenzione predittiva con IoT

Identifica il risultato atteso

Determina i processi di business di destinazione da migliorare e i risultati che vuoi ottenere.

Le previsioni devono essere di utilità pratica, altrimenti sono prive di valore. La previsione, ad esempio, di un guasto a un'unità di raffreddamento durante il giorno successivo non risulta utile se non è possibile intervenire per evitare il guasto.

Definisci prima di tutto il risultato che vuoi ottenere, perché questo elemento determina la domanda predittiva a cui devi rispondere e ti aiuta a misurare il successo del lavoro richiesto.

Ecco alcune domande più comuni sulla manutenzione predittiva:

  • Tempistica: quanto tempo rimane prima del guasto dell'apparecchiatura?
  • Probabilità: qual è la probabilità di errore in (x) giorni o settimane?
  • Causa: qual è la causa probabile di un errore specifico?
  • Classificazione del livello di rischio: quale apparecchiatura presenta il rischio di errore più elevato?
  • Raccomandazione sulla manutenzione: per un determinato codice errore e altre condizioni, quale attività di manutenzione offre maggiori probabilità di risolvere il problema?

Origini dei dati di inventario

Identifica tutte le origini potenziali e i tipi di dati rilevanti. Il risultato cercato influenzerà i dati che risultano essenziali e quelli facoltativi.

Includi dati da diverse origini. Potresti rimanere sorpreso dalla posizione in cui si trovano informazioni essenziali.

Ottieni prima di tutto informazioni sui dati disponibili da diverse origini dati. È possibile che si tratti di dati strutturati e non strutturati, provenienti da sistemi interni o da parti esterne.

Ecco alcuni esempi di dati rilevanti:

  • Condizioni operative: posizione, temperatura, operatore dell'apparecchiatura e così via.
  • Dettagli dell'errore: data e ora, condizioni climatiche, causa e così via.
  • Cronologia della riparazione

Anche con dati parziali puoi sfruttare i vantaggi delle soluzioni intermedie, tra cui il rilevamento delle anomalie che comporta l'uso del monitoraggio in tempo reale per il rilevamento di tendenze e criteri insoliti. In questo modo puoi rilevare anomalie anche durante la raccolta dei dati specifici necessari per la creazione di un modello predittivo solido per il problema specifico.

Acquisisci e combina i dati

Connetti tutti i dati a una singola posizione e preparali per l'analisi.

Poni le basi per un modello predittivo solido recuperando dati che includono il comportamento previsto e i log degli errori.

Ora sei pronto per porre le basi per l'analisi predittiva, che include:

  • Connessione di dati da diverse origini in un singolo sistema coerente.
    Poiché i dati possono trovarsi in molte posizioni diverse, la connessione a un sistema singolo e coerente è un passaggio essenziale. In alcuni casi potrebbe essere necessario spostare i dati, ma in molti casi occorre semplicemente connettere un'origine dati da un sistema di analisi. Poiché è probabile che tu debba gestire volumi elevati di dati, è importante usare uno strumento di analisi in grado di gestire i Big Data.
  • Normalizzazione dei dati.
    La normalizzazione dei dati può richiedere tempo ma è anche importantissima, in particolare se ti basi parzialmente su informazioni riferite dai team addetti alla riparazione. La normalizzazione dei dati contribuisce anche al miglioramento della precisione e della validità dell'analisi.

Crea modelli, esegui test e iterazioni

Identifica criteri imprevisti sviluppando modelli predittivi con tecniche di Machine Learning. Classifica in ordine di priorità i modelli per determinare quale modello è ottimale per la previsione delle tempistiche degli errori delle unità.

Crea un modello di utilità pratica ottenendo informazioni sul preavviso necessario al team di addetti alla manutenzione per rispondere a una previsione.

Analizza prima di tutto i dati per identificare criteri significativi. Questo processo comporta lo sviluppo di un set di modelli con un sottoinsieme di dati. Durante l'analisi e la modellazione dei dati può risultare utile avere un'ipotesi da testare. L'ipotesi indirizzerà le valutazioni sui segnali da esaminare con maggiore attenzione e fornirà una baseline rispetto a cui valutare i risultati analitici.

Classifica quindi i modelli in ordine di priorità usando i dati rimanenti per determinare quale modello è ottimale per rispondere alla tua domanda predittiva. Occorre ricordare che un modello deve avere utilità pratica per risultare rilevante, quindi il lavoro richiesto per le analisi deve essere particolarmente attento al contesto del business. Se ad esempio il team di addetti alle riparazioni necessita di un preavviso di 48 ore per il completamento di una richiesta di manutenzione, un modello di utilità pratica consente di prevedere gli errori con un anticipo di almeno 48 ore rispetto al momento in cui si verificano.

La creazione di modelli predittivi ti consente di identificare le condizioni che indicano problemi futuri delle apparecchiature. Con queste informazioni puoi modificare i processi e i sistemi per attivare azioni preventive quando si verificano le condizioni specifiche. In altri termini, puoi convertire le informazioni dettagliate del modello in modifiche operative, che permettono di ottenere valore significativo per il business.

Convalida il modello in un contesto operativo live

Applica il modello ai dati di streaming live e osservane il funzionamento in condizioni concrete. Usa Machine Learning per migliorare il modello e prepararlo per l'implementazione completa.

Preparati a perfezionare l'approccio in base ai dati raccolti durante il progetto pilota concreto.

Monitoraggio delle apparecchiature connesse

Per eseguire un progetto pilota di manutenzione predittiva con abilitazione per IoT, è necessario che le tue apparecchiature siano connesse e che inviino i dati operativi più recenti ai sistemi appropriati. Il flusso di dati live viene analizzato dal modello per rilevare segnali relativi ai problemi e attivare avvisi o azioni preventive, ad esempio l'ordine di una parte di ricambio o la pianificazione dell'intervento di un tecnico.

Pianificazione del progetto pilota

Definisci prima di tutto l'ambito del progetto pilota, incluse le apparecchiature, le posizioni e i sistemi interessati, gli scenari da testare, le condizioni in base alle quali attivare un avviso o un'azione (ad esempio ordine automatico di una parte di ricambio), le misure relative all'esito positivo e le tempistiche.

Applicazione del modello e perfezionamento dei risultati

Nel corso del progetto pilota raccoglierai continuamente nuovi dati che contribuiranno al perfezionamento di intervalli accettabili e potrebbero evidenziare anche nuovi segnali di errore. Non temere di modificare l'approccio in base alle informazioni ottenute dai dati operativi e dalle analisi più recenti.

Ottieni l'integrazione con le operazioni

Rendi operativo il modello modificando i processi, i sistemi e le risorse per la manutenzione in modo da intervenire in base alle nuove informazioni dettagliate. Apporta miglioramenti continui ottenendo informazioni dettagliate da Machine Learning e analisi avanzate.

Migliora i processi e le procedure per sfruttare al massimo le informazioni ottenute.

Dopo avere raggiunto gli obiettivi del progetto pilota e avere perfezionato il modello, sei pronto per un'implementazione più ampia.

Questa procedura includerà probabilmente l'implementazione di alcune modifiche operative, ad esempio una pianificazione di riparazione revisionata e/o dinamica, o la modifica dei criteri per classificare in ordine di priorità le riparazioni immediate quando determinati dati superano un intervallo specificato. Poiché le modifiche operative possono essere estese, è consigliabile un approccio in più fasi, in modo da ottenere vantaggi incrementali.

I miglioramenti operativi che possono essere ottenuti durante l'implementazione di un approccio di manutenzione predittiva sono estesi. Ad esempio, puoi:

  • Ottimizzare il lavoro e le tempistiche del team di addetti alle riparazioni, perfezionando le pianificazioni per le riparazioni e gli itinerari per ridurre le interruzioni e rimuovere interventi aggiuntivi.
  • Modifica l'approccio per gli acquisti di parti di ricambio per evitare scorte eccessive a magazzino: l'ordine di parti può essere effettuato in modalità JIT (just-in-time).
  • Offri la manutenzione predittiva come servizio per acquisire ricavi annuali e mantenere relazioni continue con i clienti.

Questi sono solo alcuni esempi del modo in cui la manutenzione predittiva ti permette di migliorare l'efficienza, ridurre i costi e sviluppare il business.

Crea la tua soluzione di manutenzione predittiva

Introduzione