Skf Enlight AI è la soluzione AutoML (Automated Machine Learning) basata su I.A. di Skf, realtà leader nel settore dei cuscinetti. È stata sviluppata grazie alle competenze di una start-up israeliana che l’azienda svedese ha acquisito nel 2019. Si tratta di una piattaforma che monitora in tempo reale i dati di processo per identificare anomalie che potrebbero portare a cedimenti e relativi fermi macchina. L’intelligenza artificiale su cui è basata seleziona i modelli di apprendimento automatico da applicare e li mantiene nel tempo durante la produzione, consentendo una modellazione più rapida e una maggiore precisione. I clienti di Skf Enlight AI possono beneficiare dei vantaggi dell’offerta combinata di Skf che può comprendere cuscinetti, sensori, sistemi di lubrificazione, tenute e servizi di ricondizionamento. Grazie all’SKF Enlight AI, e la conoscenza del processo decisionale che questo strumento favorisce, i clienti e SKF possono collaborare per migliorare le prestazioni delle macchine, sia in termini di rendimento che di sostenibilità.
«L’aspetto veramente entusiasmante di questo sviluppo è che possiamo combinare dati sulle vibrazioni degli asset con dati sulla temperatura e altri tipi di dati di processo generati dagli asset stessi», spiega Eitan Vesely, A.I. offering manager di Skf. «Sostanzialmente, 2 + 2 = 5 in termini di estrapolazione del valore da una serie di dati combinati e di informazioni utilizzabili. I clienti possono beneficiare di allertamento precoce in caso di cedimenti e informazioni che assicurano ai tecnici il tempo e i dati necessari per programmare la manutenzione ed eseguire una diagnosi, prima che la macchina si guasti. L’AutoML ci consente di conoscere e capire le prestazioni macchina, quindi possiamo lavorare con i clienti per pianificare la manutenzione e ottimizzare il magazzino ricambi in un modo completamente nuovo. In parole povere, evitare tempi di fermo non programmati risulta molto vantaggioso per tutte le parti coinvolte».
Un esempio pratico arriva da una cartiera in America Latina, che voleva testare la soluzione Skf Enlight AI sulle motopompe che azionavano il sistema pre-sbiancamento, macchine critiche per l’intero processo di produzione. I cedimenti ricorrenti imprevisti delle pompe stavano diventando un problema per la produzione e causando perdite annuali di centinaia di migliaia di dollari. Le interdipendenze tra le pompe imponevano l’arresto dell’intero sistema di pre-sbiancamento ogni volta che una pompa si guastava. La cartiera doveva ridurre urgentemente i tempi di fermo non programmati delle pompe e il loro impatto crescente sui costi annuali associati alle fermate. Per raggiungere l’obiettivo, la cartiera voleva ricevere previsioni di cedimento precoci in un’interfaccia di facile impiego e acquisire maggiore visibilità in termini di dati di processo degli asset. Tipicamente l’AI applica algoritmi di apprendimento automatico pre-appresi ai dati rilevati dai sensori in tempo reale, per identificare cedimenti degli asset in corso. In questo caso, il cliente voleva valutare l’efficienza della soluzione testandola su dati di processo da cedimenti esistenti.
Per valutare le capacità dell’Skf Enlight AI sono state utilizzate due pompe. La prima, Pompa A, presentava una perdita di olio identificata durante un’ispezione visiva il 26 dicembre. La perdita era stata classificata come non critica e alla fine di gennaio era prevista una fermata programmata. Le perdite operative per il tempo di fermo programmato ammontavano a 150.000 dollari.
La Pompa B si era gustata improvvisamente il 31 dicembre, due giorni dopo che un’analisi delle vibrazioni aveva rivelato un guasto in corso. Dall’analisi delle cause di guasto era emerso che la fermata era stata causata dal cedimento di un cuscinetto. In totale, i costi operativi per il tempo di fermo non programmato della Pompa B ammontavano a 250.000 dollari. A causa di questi cedimenti, i costi di manutenzione erano aumentati in maniera esponenziale e gli ordini di lavoro erano stati sospesi per molte settimane.
L’Skf Enlight AI ha però dimostrato che le conseguenze avrebbero potuto essere meno gravi adottando la manutenzione preventiva basata sull’apprendimento automatico: il sistema ha rilevato un comportamento anomalo nello storico dati di entrambe le pompe risalente a metà dicembre. In base alle valutazioni sul tempo restante prima del cedimento eseguite per ciascuna pompa, la manutenzione avrebbe potuto pianificare l’intervento programmato per la Pompa A in una data precedente a quella pianificata, prima del cedimento previsto della Pompa B. Ciò avrebbe assicurato tempo sufficiente per pianificare le risorse e i ricambi necessari per eseguire una fermata programmata alla fine di dicembre e risolvere i problemi di entrambe le pompe. In questo modo, la perdita totale, che era stata di circa 400.000 dollari sarebbe ammontata a soli 150,000$, ovvero il costo minore previsto per una delle due fermate. Nel migliore dei casi, il potenziale risparmio sarebbe ammontato a 250.000 dollari.
«Durante questo processo di valutazione, sono stati analizzati dati di processo e sulle vibrazioni e la conclusione era chiara: utilizzando entrambe le fonti di dati è stato possibile prevedere più guasti di quanti non sarebbe stato possibile con una sola fonte. Dato il valore dimostrato con questo progetto pilota, ora siamo in procinto di implementare la soluzione su centinaia di asset in tre diversi stabilimenti», ha spiegato Vesely.
