Da uno studio di Cxp Group emerge che per il 95% delle aziende i processi di manutenzione attuali non sono molto efficienti. I principali problemi che le imprese devono affrontare sono i tempi di inattività imprevisti, i guasti improvvisi e l’invecchiamento dell’infrastruttura, che possono determinare il blocco dell’innovazione. Oggi però i dispositivi e le applicazioni IoT, assieme all’utilizzo di strumenti analitici evoluti e a tecnologie di intelligenza artificiale e machine learning (Ml), permettono di integrare nei macchinari industriali sensori d’ogni tipo, e di connettere in rete tali attrezzature, per poi monitorarne di continuo lo stato di funzionamento. Le aziende possono quindi identificare proattivamente i problemi e adottare le soluzioni più adeguate come, per esempio, sostituire ricambi, software, hardware e firmware, in modo da eliminare i possibili punti di guasto o il degrado delle prestazioni per gli utenti, aumentando così la soddisfazione dei clienti e il proprio vantaggio competitivo.
Scendendo in dettaglio, in che modo l’intelligenza artificiale può essere utilizzata per la manutenzione predittiva? Quali sono le applicazioni e le tecniche più utilizzate nel contesto industriale? Se ne è discusso durante un webinar organizzato da Made, il competence center milanese. struttura in prima linea nell’impegnativo compito di orientare le aziende e di fornire loro le competenze necessarie per l’implementazione e l’utilizzo di nuove tecnologie per l’Industria 4.0. Intitolato proprio “Industrial Artificial Intelligence e Manutenzione Predittiva”, il webinar, reperibile sulla pagina YouTube del Competence Center, ha visto la partecipazione di Fabio Castello, Machine Learning Engineer di R.F. Celada e di Cristian Sartori, Product Management Team Leader di Siemens. Moderatore dell’incontro, Claudio Cusano, Professore Associato presso il Dipartimento di Ingegneria Industriale e dell’Informazione dell’Università di Pavia.
Premesso che ancora adesso molte imprese, come sostiene Cusano, non sanno ancora cosa sia l’industria 4.0, è molto importante sapere invece come le industrie si stiano muovendo concretamente nell’ambito dell’intelligenza artificiale, che include anche il machine learning, in un contesto in cui si inserisce il processo di convergenza tra It e Ot. «Quando il machine learning incontra l’industria – dichiara Sartori – i campi applicativi sono tantissimi. Si va dall’anomaly detection all’ispezione visiva della qualità del prodotto fino alla manutenzione predittiva, in settori come l’elettronica, aerospaziale, robotica, additive manufacturing, food & beverage, machine building. In particolare, in ambito automotive, il machine learning è pervasivo: si va dalla verifica della qualità dell’assemblatura al rilevamento delle anomalie nel processo di pressofusione fino alla gestione del change management».
Il webinar di Made Industrial Artificial Intelligence e Manutenzione Predittiva
Cos’è la manutenzione predittiva
La manutenzione predittiva è proprio l’aspetto più interessante legato all’intelligenza artificiale. Dalla manutenzione reattiva (sostituisco, per esempio, il componente quando si guasta) e preventiva, l’industria sta passando alla manutenzione predittiva, il cui scopo è quello di intervenire poco prima che si verifichi il guasto. «La manutenzione predittiva – interviene Castello – si basa sull’analisi del dati che vengono monitorati sul sistema e confrontati con un modello di comportamento ideale del sistema stesso. Occorre quindi creare dei modelli di guasto». Ma qual è l’approccio migliore che un’azienda deve adottare nell’ambito di progetto inerente l’intelligenza artificiale? Secondo Sartori, è importante avere chiaro quale sia il caso d’uso e quali siano i problemi da risolvere nonché il grado di performance da raggiungere. Si procede quindi con implementazione, validazione, deployment e scale up del sistema.
«Tra le aziende che hanno seguito questo approccio – dichiara Sartori – troviamo E.P.F., un’azienda di Cuneo che opera a livello nazionale e internazionale nei settori dell’automazione industriale, delle energie rinnovabili e dello stampaggio plastico ad iniezione. In questo caso, abbiamo realizzato un progetto di visual quality inspection. L’esigenza era infatti quella di verificare la qualità del materiale di attrito delle pastiglie frenanti. È stata quindi realizzata una rete neurale addestrata al riconoscimento della qualità del materiale, implementando una scheda Neural Process Unit direttamente sul Plc. Il secondo esempio riguarda proprio la manutenzione predittiva e riguarda un’azienda italiana del mondo food & beverage che desiderava verificare sia lo stato Oee (Overall Equipment Effectiveness, la misura di efficacia totale dell’impianto) che lo stato di salute dell’impianto. Il problema è stato risolto realizzando una piattaforma end to end a cui è stata applicata un’analisi real time in grado di anticipare eventuali anomalie sui motori ed è stato creato un algoritmo di machine learning che mettesse in correlazione lo stato della macchina, molto performante, e i dati dei sensori».
È molto importante tenere presente, come sottolinea Castello, che nell’ambito specifico della manutenzione predittiva non esistono soluzioni preconfezionate o “a scaffale”. Non è possibile quindi acquistare un modulo software, ma occorre avviare un progetto e portarlo avanti nel tempo. Tuttavia è anche possibile che un’azienda arrivi a sviluppare una soluzione a scaffale per la manutenzione del singolo componente di una macchina proprio perché ne conosce il funzionamento.
Prospettive future: quali fattori potranno accelerare l’introduzione di tecniche AI in ambito industriale
Il futuro è già presente. Oggi si parla di tecnologia del container. Ma cosa si intende con questo termine? «Il container – spiega Sartori – è un’unità di software che raccoglie tutto il codice dell’applicazione ma anche le relative dipendenze, permettendo così in modo molto agile di scrivere la propria applicazione e quindi di utilizzare tutti i linguaggi di programmazione del mondo It, come C++, Java o Python, in modo da creare un sistema isolato e protetto, slegato dai sistemi operativi. L’edge computing è quindi un’ulteriore tecnologia che aiuta a introdurre l’intelligenza artificiale».
Nello specifico, per edge computing si intende una tecnica informatica che avvicina il calcolo e l’archiviazione ai dispositivi e alle macchine, dove i dati vengono prodotti, senza dove ricorrere necessariamente al cloud. Secondo Grand View Research, società di consulenza americana, nel 2022 l’edge computing raggiungerà un valore di mercato di 6,72 miliardi di dollari, grazie alla diffusione massiva di tecnologie IoT, alla proliferazione dei device connessi e alle tecnologie di rete che abilitano la cosiddetta Real Time Intelligence.
«Grazie ai container è possibile sviluppare in modo molto veloce un’applicazione – continua Sartori -. Quindi, grazie all’edge computing si ottiene una piattaforma di elaborazione dei dati che permette di sviluppare algoritmi come, per esempio, qualità visiva o manutenzione predittiva, ma soprattutto è possibile compiere quel passo molto importante che si chiama scale up, ovvero replicare tutte le applicazioni in modo concreto su tutte le linee di impianto». L’edge computing diventerà quindi un fattore dominante in quasi tutti i settori e casi d’uso poiché è dotato di risorse di elaborazione sempre più sofisticate e specializzate e di una maggiore capacità di archiviazione dei dati.
Il futuro passa anche attraverso la creazione del cosiddetto digital twin, un gemello digitale che consiste nella rappresentazione virtuale di un asset reale, utilizzata per comprendere e prevedere le caratteristiche prestazionali della relativa controparte fisica. I Digital Twin possono essere utilizzati lungo tutto il ciclo di vita del prodotto per simulare, prevedere e ottimizzare il prodotto e il sistema di produzione, compresa la manutenzione predittiva. La manutenzione prescrittiva rappresenta invece lo stadio evolutivo della manutenzione predittiva. «Utilizza infatti i risultati delle previsioni per suggerire quali sono le possibili azioni per ottimizzare la manutenzione degli asset che vengono monitorati – conclude Castello – Non si tratta più quindi di prevedere quando il componente di interesse andrà incontro a un guasto, ma di prescrivere l’intervento da fare per risolvere l’insorgenza del guasto».
