Manutenzione predittiva

Scopri in che modo l'intelligenza artificiale può essere usata per prevedere ed evitare gli errori e massimizzare la vita utile

Introduction

Il tempo di inattività delle apparecchiature non pianificato può danneggiare un'azienda. È fondamentale mantenere in funzione le attrezzature sul campo per massimizzare l'uso e ridurre il costoso tempo di inattività non pianificato e il rischio a livello di integrità, sicurezza e ambiente. L'obiettivo di una strategia di manutenzione predittiva consiste nell'estendere la vita utile delle attrezzature e impedire i guasti. Il rilevamento delle anomalie è un approccio comune perché identifica un comportamento del dispositivo diverso rispetto a quanto previsto. Le soluzioni di rilevamento delle anomalie risultano spesso più precise rispetto ai semplici metodi di rilevamento degli errori basati su regole e sono utili per evitare errori e interruzioni costose.

Prepare data

Il primo passaggio per una soluzione di manutenzione predittiva consiste nel preparare i dati. Questo passaggio include l'inserimento dei dati, la pulizia e la progettazione di funzionalità. I problemi relativi alla manutenzione predittiva includono in genere dati quali:

  • Informazioni sul macchinario, ad esempio dimensioni del motore, produttore e modello.
  • Dati di telemetria, ad esempio dati di sensori come temperatura, pressione, vibrazione, proprietà dei fluidi e velocità operativa.
  • Cronologia della manutenzione e degli interventi, ovvero la cronologia delle riparazioni di un macchinario e log di runtime.
  • Cronologia dei guasti, ovvero la cronologia dei guasti in una macchina o in un componente rilevante.

Per prevedere i guasti, i dati devono contenere esempi di esiti positivi e negativi. Un numero elevato di esempi consentirà di ottenere modelli di manutenzione predittiva migliori e più generalizzabili. È anche importante ottenere dati dai dispositivi guasti e dai dispositivi ancora in funzione. I dati possono includere letture da apparecchiature guaste a causa del problema specifico a cui si è interessati e dati dai dispositivi guasti per altri motivi. In entrambi i casi, maggiore la quantità di dati, migliore sarà la soluzione.

Build and train

Molte soluzioni per la manutenzione predittiva usano modelli di classificazione con più classi per il calcolo della vita utile rimanente di un asset. Puoi usare la manutenzione predittiva basata sulla classificazione con più classi quando vuoi prevedere due esiti, ovvero un intervallo di tempo per gli errori e la probabilità di errori dovuti a una o più cause radici. Oltre a scegliere gli algoritmi corretti, un modello efficace richiede iperparametri ottimizzati. Si tratta di parametri, ad esempio il numero di livelli in una rete neurale, impostati prima dell'inizio del processo di training. Gli iperparametri vengono spesso specificati dai data scientist per la sperimentazione. Influiscono sulla precisione e sulle prestazioni del modello e l'individuazione dei valori ottimali richiede spesso molte iterazioni.

Ogni esecuzione di training genererà metriche che vengono usate per valutare l'efficacia del modello. La precisione è la metrica più diffusa usata per la descrizione delle prestazioni di un classificatore, anche se il richiamo e i punteggi F1 vengono spesso usati nelle soluzioni di manutenzione predittiva. La precisione viene definita come il numero di esiti positivi true sommato al numero di esiti positivi false, mentre il richiamo indica il numero di esiti positivi true rispetto al numero di esiti positivi true sommati al numero di esiti negativi false delle istanze di previsione degli errori. I punteggi F1 prendono in considerazione la precisione e la frequenza di richiamo.

Deploy

Dopo l'identificazione della variante più efficace di un modello, sarà necessario distribuire tale modello come servizio Web con un endpoint REST. Il modello viene quindi chiamato da applicazioni line-of-business o dal software di analisi. Nel caso della manutenzione predittiva, tuttavia, le architetture end-to-end coinvolgono spesso dati di telemetria in tempo reale dai macchinari, che vengono raccolti da sistemi come Hub eventi di Azure. I dati vengono inseriti da un sistema di analisi di flusso e vengono elaborati in tempo reale. I dati elaborati vengono passati a un servizio Web di modelli predittivi e i risultati vengono visualizzati in un dashboard o inseriti in un meccanismo di avviso che segnala i problemi ai tecnici o al personale di servizio. I dati integrati possono anche essere archiviati nei database cronologici e uniti ai dati esterni, ad esempio database locali, in modo che sia possibile usarli per il training di esempi per la modellazione. È possibile che negli scenari Internet delle cose (IoT) sia distribuito un modello nei dispositivi perimetrali, in modo che il rilevamento possa essere eseguito il più vicino possibile all'evento, a livello di tempo e di spazio.

Customers are doing great things with AI