Secondo McKinsey & Company, la manutenzione predittiva basata sull’intelligenza artificiale può aumentare la disponibilità fino al 20%, riducendo i costi di ispezione del 25% e le spese di manutenzione annuali fino al 10%.1
La manutenzione predittiva non è un concetto nuovo.
La tecnologia per implementare la manutenzione predittiva è disponibile da anni.
Il punto critico è stata spesso la mancanza di competenze per convertire i dati in informazioni utilizzabili e il costo e il tempo associati al portarli internamente o alla gestione di servizi di terze parti
Il primo passo verso la manutenzione predittiva è la mappatura dei punti deboli unici e delle esigenze aziendali. Quindi inizialmente è necessario concentrarsi solo sul caso d’uso che ha il valore più significativo per il business.
L’apprendimento automatico può essere suddiviso in apprendimento supervisionato e apprendimento non supervisionato.
Nell’apprendimento automatico supervisionato, gli algoritmi operano su un set di dati di addestramento etichettato manualmente per creare un modello. Questo modello può essere utilizzato con i dati di produzione per restituire risultati o previsioni.
Nel ML supervisionato, una funzione (modello) viene addestrata per agire sul nuovo input in un modo definito utilizzando grandi quantità di dati categorizzati manualmente.
Nel ML non supervisionato, gli algoritmi funzionano con dati non etichettati per cercare modelli attraverso il raggruppamento e le correlazioni.
La manutenzione predittiva si basa sull’intelligenza artificiale e sulla disponibilità dei dati detti “Big Data”.
È qui che l’IoT svolge un ruolo importante fornendo, archiviando ed elaborando i dati delle macchine.
Una miriade di fonti sensori, sistemi di esecuzione della produzione, sistemi di gestione, composizione delle parti, dati storici sull’utilizzo delle apparecchiature e altro ancora, sono fonte primaria di informazioni.
Questi dati macchina vengono confrontati con ulteriori fonti aggiuntive; dati dell’ispezione umana manuali, dati statici (soprattutto quelli forniti dal produttore!) o dati da API esterne come ad esempio le condizioni meteorologiche che possono influire sulle apparecchiature.
È proprio la combinazione di più fonti e dati eterogenei che consente i modelli predittivi più robusti e accurati.
Dopo aver definito e raccolto i set di dati rilevanti, viene definito il modello predittivo dell’IA attorno a loro.
L’implementazione di un modello di manutenzione predittiva nella produzione però richiede l’utilizzo di dati in tempo reale.
A differenza dei dati utilizzati per addestrare modelli di intelligenza artificiale offline e in ambienti di test, i dati in produzione sono un obiettivo in movimento e in genere includono set di dati rumorosi, non strutturati o di piccole dimensioni.
Le tecnologie integrate e l’esperienza dell’IA sono fondamentali per superare le difficoltà e raggiungere una robustezza e stabilità, pietra angolare di un’IA efficace.
