AES_4 2022

Primo piano 33 SCENARI Automazione e Strumentazione n Maggio 2022 di consulenza McKinsey & Company , la produttività degli asset può crescere fino al 20%, e i costi complessivi annuali di manuten- zione si abbassano fino al 10%: ciò è possibile grazie all’abilità di migliorare la capacità previsionale , e di evitare guasti a impianti e macchinari, facendo leva sull’analisi intelligente dei dati generati e raccolti dai sensori Internet of Things (IoT), dei dati dei registri di manutenzione, e di quelli acquisiti da fonti esterne. Tuttavia, il mero utilizzo di tecnologie e metodologie di machine learning, se non accompagnato da competenze di data science e capacità d’interpretazione dei modelli matematici, non è in genere sufficiente a garantire il successo di un progetto di manutenzione predittiva. Non a caso, uno dei principali fattori frenanti per l’e- spansione del mercato del machine learning, sempre secondo il rap- porto di Fortune Business Insights, citato all’inizio, è l’imprecisione nello sviluppo degli algoritmi predittivi. La precisione, sottolinea la società, è molto importante nell’analisi di big data e nel machine learning applicato all’industria manifatturiera. Nel caso specifico della manutenzione predittiva, l’algoritmo predit- tivo ha l’obiettivo di individuare ed evidenziare anomalie di fun- zionamento che possono rappresentare un campanello d’allarme per il verificarsi di un guasto imminente. Creare solidi modelli di predictive maintenance Prima di tutto, per riuscire a sviluppare un algoritmo predittivo valido, occorrerà acquisire una visione chiara e completa, nella singola realtà industriale, degli specifici processi di manutenzione che sovrainten- dono alla gestione dei vari asset di produzione esistenti. Sulla base di questa visione dei processi, si dovrà poi passare alla selezione delle fonti, e alla raccolta e preparazione di tutti i dati utili a costruire il modello predittivo con la massima precisione possibile. Tali dati comprendono i dati storici sugli asset , relativi ad esempio agli eventi di downtime, alle tipologie di guasti che si sono verificati in passato, ed utili per comprendere i processi di deterioramento; ma si può trat- tare anche di dati riguardanti le caratteristiche dei sistemi, che rive- lano informazioni sule proprietà meccaniche dei macchinari, o i livelli di resistenza degli asset, o dei componenti, in determinate condizioni di funzionamento. Ci sono poi i dati real-time generati dai sensori connessi alle infrastrutture di produzione, e quant’altro. Il machine learning aiuta i responsabili della manutenzione e i data scientist, accelerando tramite l’automazione diverse operazioni di ‘pulizia’, normalizzazione e preparazione dei dati e del dataset . Disporre di un dataset di qualità è infatti una condizione importante, che contribuisce a migliorare la precisione e la qualità del modello predittivo che verrà elaborato. Successivamente, si dovrà scegliere, in funzione degli obiettivi di manutenzione prioritari, una strate- gia di modellazione adeguata da utilizzare per il machine learning supervisionato: ad esempio, potrebbe essere conveniente scegliere un modello di classificazione , adatto a predire in quale lasso di tempo un malfunzionamento o un’avaria potrebbero avere luogo. Oppure, essere preferibile adottare un modello di regressione , indi- rizzato a prevedere quanta vita utile rimane (RUL - remaining useful life) a un impianto o asset industriale. n Soluzioni industriali per l’IoT Creare valore aggiunto attraverso l‘utilizzo dei dati Let‘s connect. Weidmüller supporta le aziende a sviluppare il potenziale delle applicazioni Industrial IoT attraverso soluzioni basate sulle specifiche esigenze e ad integrarle con successo nelle strutture esistenti. Pre-elaborazione dei dati con tecnologia IoT Edge Analisi dei flussi di dati e conseguente riduzione dei costi grazie alle seguenti funzionalità: • Programmazione attraverso piattaforma web accessibile via browser • Acquisizione e pre-elaborazione dei dati con u-control web grazie a funzionalità IoT • Gateway IoT per soluzioni industriali con gestione di reti modbusRTU www.weidmuller.it