La manutenzione nell’Industrial Transformation

Festo ha sviluppato delle soluzioni di manutenzione predittiva e preventiva, ideali per far fronte alle nuove esigenze dell’automazione industriale. Grazie al Cloud, dati e grafici dei dispositivi sono a disposizione quando e dove si vuole da remoto

di Ginevra Leonardi

L’analisi del dato fino a qualche anno fa era “di pochi”. C’era una figura aziendale preposta all’analisi, che attraverso una serie di calcoli effettuava studi di mercato, di produzione e analisi statistiche. Oggi, attraverso un modulo IoT gateway è possibile raccogliere i dati da tutti i dispositivi in field via OPC-UA oppure Fieldbus, e trasmetterli in Cloud. Dashboard di Festo è una soluzione per la quale è stata avviata una collaborazione con Microsoft, scegliendo di usare la piattaforma Cloud Azure. In questo modo si hanno a disposizione dati e grafici dei dispositivi in field da remoto.

Algoritmo per la manutenzione predittiva
Sono queste le esigenze dettate dalla Industrial Transformation all’automazione industriale, in un legame sempre più stretto con la digitalizzazione. In Cloud si visualizzano i dati relativi a una soluzione Festo per la manutenzione predittiva, sviluppata da Resolto Informatik (azienda del gruppo Festo specializzata in algoritmi di intelligenza artificiale). Si tratta dell’algoritmo Scraitec, facilmente scomponibile in due parti principali: Scraifield e Scraibrain, create per avere diversi raggi di azione. Scraifield si concentra sul raccogliere dati dal campo, per poi collezionarli nello Scraibrain. Grazie a questi dati, Scraibrain impara in modo continuo e sviluppa l’intelligenza artificiale in senso stretto. Scraifield filtra i dati leggibili da quelli non leggibili, che verranno scartati. In tal modo i dati utili vengono classificati e processati, e raccolti On Promise o su un apposito Cloud. Questo comporta la realizzazione di analisi statistiche e l’individuazione dei trend, tutti elementi che si potranno visualizzare su Dashboard, raggiungibili da remoto in ogni momento grazie alla presenza in Cloud.

Come si sviluppa la fruizione remota
La fruizione remota di questi dati può essere sviluppata in due modi: in collaborazione col cliente, legandola allo sviluppo di una versione virtuale della macchina o linea automatica che si vuole monitorare; in relazione al prodotto (nel caso delle soluzioni Festo, la proposta Cloud di Microsoft Azure offre la possibilità di realizzare Condition Monitoring su Dashboard già pronte). Svolta questa prima fase di Fog Computing da Scraitec, ci si può fermare e analizzare i trend per effettuare una manutenzione secondo condizione. Se invece si vuole avviare una manutenzione predittiva in senso stretto, si potrà partire dalle analisi legate ai sensori nel field. È qui che interviene l’algoritmo Scraibrain, che permette di analizzare i dati in modo più dettagliato e creare un “cervello virtuale” in grado di mappare tutti i comportamenti della macchina automatica. Questo gli consente di imparare quali di questi comportamenti sono usuali e quali anomali, notificando tempestivamente l’evento, e in seguito calcolando in largo anticipo quando l’anomalia si ripeterà.

Dalla fase di Learning Data a quella di Evaluation Data
La manutenzione predittiva viene svolta in due fasi. In una prima fase di Learning Data, avviene il Machine Learning della macchina; il sistema apprende il normale funzionamento della macchina, permettendo di categorizzare le eventuali anomalie in modo da settorizzare il guasto. Durante questa fase così delicata, è necessaria la collaborazione tra Scraibrain e il responsabile della manutenzione, che deve supervisionare affinché l’apprendimento del “cervello virtuale” avvenga in modo corretto.
Segue la fase di Evaluation Data, in cui il sistema analizza i dati che riceve continuamente dalla macchina, e li confronta con quelli imparati e categorizzati in precedenza. A questo punto verrà notificato il suo corretto funzionamento oppure, con un certo preavviso, il guasto.
All’inizio vengono notificati all’utente dei messaggi di Warning che avvisano quando i valori soglia sono stati oltrepassati.
Man mano che vengono svolte delle sessioni di Machine Learning, l’algoritmo riesce a capire quale sia il corretto funzionamento della macchina. In tal modo, in fase di Evaluation Data lo Scraibrain riuscirà a prevedere, sempre con maggior precisione, l’insorgere di malfunzionamenti nel dispositivo prima che accadano.