Manutenzione predittiva data-driven: un’opportunità da non sottovalutare

I benefici dell’AI sono molteplici, quelli garantiti dalla manutenzione predittiva si legano soprattutto alla diminuzione del tempo di fermo macchina, a una migliore gestione delle attività manutentive e al saving energetico.

Ma cosa vuol dire fare manutenzione predittiva, e quali dati servono?

Partiamo dal presupposto che l’idea migliore è cercare di sfruttare i dati disponibili, senza installare sensori nuovi. Vediamo quindi tre modalità per supportare il team di manutenzione a partire dai dati disponibili, più una in caso non si abbia NESSUN dato (spoiler, it’s not data-driven (; ).

Prevedere il guasto

La tipologia di manutenzione predittiva più ovvia è fatta con modelli che sono in grado di prevedere il guasto. Ma come fa l’AI a prevedere il guasto?

Prima di tutto, sfatiamo questo mito: l’AI non prevede nulla. Però, è in grado di intercettare i sintomi del guasto molto prima che questi causino un malfunzionamento visibile o un fermo macchina.

In particolare, i modelli di manutenzione predittiva sono allenati per associare una certa condizione operativa all’avvicinarsi di un guasto specifico: le ultime 5 volte in cui la pressione è aumentata in questo modo con una temperatura di tanto così e la valvola chiusa, poi si è verificato un guasto. Ergo, anche ora che vedo le stesse condizioni si sta per verificare un guasto.

Visto che la condizione di guasto è un parametro discreto, si parla di algoritmi di classificazione. Se i modelli prevedono un singolo guasto, sono classificatori binari (guasto – non guasto) , se i modelli prevedono contemporaneamente più tipolgoie di guasto si parla di classificatori multi-classe (sano – guasto 1 – guasto 2 – … – guasto N )

Quanto prima mi avverte il sistema?

La domanda che a questo punto viene naturale è: ok, ma quanto prima il modello prevede il guasto?

A questa domanda risponderemo solo come i veri ingegneri sanno fare: dipende.

Dipende infatti dal modo di guasto: alcuni guasti, come i guasti meccanici, hanno un decorso di mesi, e possono essere intercettati molto in anticipo.

A me m’ha sempre colpito questa faccenda dei quadri. Stanno su per anni, poi senza che accada nulla, ma nulla dico, fran, giù, cadono. Stanno lì attaccati al chiodo, nessuno gli fa niente, ma loro a un certo punto, fran, cadono giù, come sassi. Nel silenzio più assoluto, con tutto immobile intorno, non una mosca che vola, e loro, fran.

Alessandro baricco, Novecento

Altri, come i guasti elettronici, fanno l’effetto del quadro di Baricco in Novecento, ad un certo punto si presentano, e il modello di solito ha solo qualche ora per intercettarlo.

Condizione necessaria per implementare modelli di manutenzione predittiva veri è avere uno storico di dati di processo e una linea che si è guastata abbastanza spesso. La prima condizione è semplice da garantire. La seconda invece no: spesso infatti si decide di applicare la strategia della manutenzione predittiva data-driven su macchine critiche che per fortuna non si guastano quasi mai.

Come fare in questi casi?

Intercettare anomalie in un parametro

Nei casi in cui non ci siano sufficienti guasti nello storico ma si riesca ad intercettare un parametro che può essere sintomo del guasto, si può sviluppare un modello in grado di stimare con precisione quale dovrebbe essere quel parametro in condizioni di normale funzionamento.

Infatti, se una macchina non si rompe mai, non avremo sufficienti guasti per allenare un modello di manutenzione predittiva (un classificatore come visto sopra) , ma avremo moltissime osservazioni di buon funzionamento su cui allenare un modello di monitoraggio.

Prendiamo ad esempio un sistema che monitori la temperatura. Il modello saprà suggerire in ogni momento quale dovrebbe essere la temperatura corretta ad una determinata condizione operativa, e segnalare temperature reali anomale.

Intercettare un cambio di comportamento è diverso da intercettare un guasto

Questo tipo di modelli sono in grado di intercettare cambi di comportamento molto in anticipo rispetto al malfunzionamento percettibile. Di pancia, si direbbe che questa è un’ottima cosa. Nella realtà, questo spesso porta ad alcuni problemi: manutentori che non si fidano della previsione, interventi di ispezione che non rilevano problematiche, o cambi di comportamento che però sono dovuti a regolazioni umane o sostituzioni di ricambi.

Per evitare che i modelli generino un alto numero di segnalazioni percepite come falsi positivi (anche se magari sintomo di qualcosa che si sta sviluppando), è necessario regolare i sistemi esperti che gestiscono gli allarmi. Di solito, è buona cosa mettersi d’accordo con il team di dominio per selezionare delle soglie di differenza tra reale e predetto rappresentative per gli operatori e le operatrici.

Parametri tipici da monitorare: temperature, pressioni, consumi o vibrazioni. Essendo valori continui, si parla di algoritmi di regressione.

Che fare però se non ho guasti e non riesco ad intercettare un parametro di riferimento da controllare?

Segnalare comportamenti anomali globali

Quando non si riesce ad identificare un parametro convincente per anticipare i guasti e non si hanno guasti disponibili, si può decidere di procedere chiedendo al modello di sforzarsi un po’ di più e imparare a riconoscere il modo con cui tutte le variabili di processo si muovono in condizioni normali.

Il modello imparerà l’area entro cui la combinazione di tutti i parametri è normale, e valuterà per ogni nuova osservazione un grado di differenza dalla normalità, chiamato anomaly score.

Quando tante osservazioni consecutive sono anomale, il modello genera un allarme.

Il problema di questo tipo di modelli è che la segnalazione che mandano non è corredata di alcuna informazione aggiuntiva: si sa solo che qualcosa si sta comportando in modo anomalo.

Per rendere possibile un’analisi più diagnostica, è necessario associare questi modelli a sistemi di eXplainable AI, che forniscono ad esempio la lista delle variabili che hanno portato il modello a intercettare una condizione anomala.

Questi modelli, visto che sono cotruiti per intercettare un pattern, sono modelli di apprendimento non supervisionato, o di classificazione mono-classe.

Manutenzione predittiva senza dati

Tutto bello, ma di dati non ne ho. Come si fa in questi casi?

Semplice, si passa a strategie più tradizionali di manutenzione predittiva, ovvero le analisi in campo con presa misura. Ci sono molte tecniche di manutenzione predittiva di campo differenti, alcune delle quali sono tanto potenti quanto i modelli di AI (ad esempio, l’analisi vibrazionale).

L’unico limite della manutenzione predittiva di campo è la necessità di mandare un tecnico specializzato sulle macchine per raccogliere e poi analizzare i dati caratteristici – ad esempio spettro vibrazionale, ultrasuoni, immagini termografiche, prelievo di olio…

Inoltre, le tecniche di manutenzione predittiva di campo sono in grado di intercettare tipologie specifiche di guasto, mentre l’AI è potenzialmente applicabile ad ogni dato raccolto.

Un grafico di sintesi

Facendo sintesi, la manutenzione predittiva in senso più ampio è l’insieme di tecniche che rendono possibile anticipare il guasto siminuendo il tempo di fermo macchina.

La curva P-F (probabilità e guasto) ci mostra con quanto anticipo è possibile intercettare un problema con le varie tecnologie.

L’anomaly detection su parametro o comportamento globale è il primo ad intercettare il sintomo del malfunzionamento, prima che sia intercettabile da altri sistemi. Abbiamo visto che in alcuni casi intercetta cambi di comportamento non per forza legati ad un guasto, ma magari a regolazioni o sostituzioni.

Subito dopo arriva la soluzione di manutenzione predittiva data-driven, con una capacità predittiva simile all’analisi vibrazionale.

Every machine is a smoke machine, if you operate it wrong enough.

Ho cercato, ma non trovo chi lo ha detto. Però mi fa ridere per cui lo metto lo stesso.

Man mano che il guasto evolve, sempre più tecniche sono in grado di intercettarlo, finché anche il tecnico riesce a percepire chiaramente il problema con i suoi limitatissimi 5 sensi. Normalmente, quando la macchina inizia a fare fumo è buona cosa intervenire in fretta.