Scroll

Se l’analisi dei dati è la base per attuare strategie di gestione degli asset fisici come la predictive maintenance, il machine learning sta diventando uno strumento sempre più utilizzato per potenziarla. Raccogliendo ed elaborando i dati sullo stato di salute e funzionamento degli asset, ad esempio macchinari o apparati industriali, la predictive maintenance, o, in italiano, manutenzione predittiva, consente di stimare quando essi potranno subire un’avaria: nell’esecuzione di queste elaborazioni e analisi, il machine learning può fornire un importante supporto, automatizzando molte operazioni e processi di gestione dei dati.

Cos’è il machine learning

Con il termine machine learning (ML) si fa riferimento alle tecnologie di apprendimento automatico, che a loro volta appartengono al più ampio mondo dell’intelligenza artificiale (AI). Il concetto chiave su cui si base il machine learning è che è possibile creare sistemi e applicazioni software capaci d’imparare in maniera autonoma dall’analisi dei dati, e di migliorare di continuo i risultati di tali analisi. Sistemi che arrivano a trarre conclusioni, prendere decisioni, senza l’aiuto di un operatore umano, o comunque con un suo minimo supporto.

Il mercato globale della predictive maintenance, stando ai dati forniti dalla società di ricerche di mercato Allied Market Research, è previsto raggiungere un valore di quasi 32 miliardi di dollari entro il 2027, e l’adozione di tecnologie evolute come il machine learning, oltre all’integrazione con il paradigma IIoT (Industrial IoT), guiderà ulteriormente lo sviluppo di questo comparto.

Predictive maintenance: perché il machine learning è utile

Occorre premettere che per implementare un’applicazione di predictive maintenance non è per forza necessario utilizzare il machine learning, anche se, naturalmente, è fondamentale possedere competenze di data science e modellistica matematica per sviluppare gli algoritmi predittivi. Tuttavia, uno strumento come il machine learning, sfruttando l’automazione, permette ai data scientist e ai responsabili operation di accelerare varie fasi di preparazione e analisi dei dati, e di elaborarli in maniera rapida ed efficiente.

La predictive maintenance potenziata dall’intelligenza artificiale, riporta in uno studio la società di consulenza McKinsey & Company, consente di ottenere migliori previsioni, e di evitare avarie dei macchinari, combinando i dati acquisiti dai sensori evoluti IoT (Internet of Things), dai registri di manutenzione e da fonti esterne. Inoltre, la produttività degli asset può aumentare fino al 20%, e i costi complessivi di manutenzione possono essere ridotti fino al 10%.

Tra l’altro, affidare varie operazioni di elaborazione, preparazione, analisi dei dati, al machine learning e all’automazione, per i responsabili operation e manutenzione, significa anche potersi dedicare maggiormente a mansioni nelle quali la creatività umana ha più valore e gioca un ruolo imprescindibile.

Machine learning, come applicarlo alla predictive maintenance

Un algoritmo di machine learning sviluppato per la predictive maintenance ha l’obiettivo di apprendere dai dati storici degli asset (performance nel tempo, precedenti downtime ecc.), e da quelli real-time generati dai sensori connessi a macchinari o apparati dell’impianto, per identificare anomalie che possono segnalare il verificarsi di un malfunzionamento o guasto.

Selezionare i dati per il progetto di predictive maintenance

Un prima, delicata, fase di implementazione dell’applicazione di predictive maintenance riguarda la selezione e preparazione dei dati. Questi ultimi dovranno essere, qualitativi, il più possibile pertinenti allo specifico caso d’uso per cui il progetto viene sviluppato, e raccolti in quantità sufficiente, perché serviranno a creare il dataset necessario ad addestrare e costruire l’algoritmo di machine learning.

Adottare una strategia di modellazione per il machine learning

In secondo luogo, sulla base di tutte queste informazioni, occorrerà scegliere quale strategia di modellazione utilizzare: ad esempio un modello di regressione, in grado di predire la vita utile rimanente di un macchinario o asset (remaining useful life – RUL), confrontando il suo attuale stato di salute con quello passato; oppure un modello di classificazione, in cui la predizione è più indirizzata a stabilire in quale finestra temporale il guasto o malfunzionamento potrà verificarsi.

Benefici del machine learning nella predictive maintenance

In molti settori industriali, riuscire a sfruttare le tecniche di machine learning consente di potenziare la predictive maintenance, e ottenere vantaggi sotto vari punti di vista.

L’intelligenza e l’automazione introdotte dall’apprendimento automatico aiutano, anzitutto, a migliorare l’affidabilità di funzionamento di impianti e asset, con effetti positivi sulla riduzione dei costi di manutenzione. È poi possibile aumentare l’efficienza e la flessibilità delle attrezzature industriali e mantenere con maggior facilità le prestazioni produttive, incrementando al contempo la durata delle attrezzature stesse. Inoltre, l’uso del machine learning, permettendo una miglior gestione degli asset, determina un impatto positivo anche sulla salvaguardia ambientale e sulla sostenibilità degli asset nel tempo.