h-header

header
main

dynamic

content

post

15 - TRL7 - Le sfide teoriche e tecniche che la manutenzione predittiva dovrà affrontare

Autore Gianfranco Rocchi | Chief Communication Officer | 13 Agosto 2021 |

Abbiamo visto nell’uscita precedente che la raccolta di dati consentita dall’affermazione dell’IoT potrebbe abilitare nuove opportunità nell’ambito del service antincendio, in particolare spostando il baricentro dalla manutenzione preventiva a quella predittiva.

 

Come abbiamo accennato, perché il paradigma predittivo si affermi sarà necessario che l’affidabilità della previsione consenta di allungare gli intervalli manutentivi a parità di efficacia in termini di affidabilità del sistema antincendio.

Per questo saranno indispensabili i progressi nel campo dell’analisi del dato.

Dopo aver generato, raccolto ed elaborato rapidamente montagne di big data, infatti, non sarà semplice sarà dare un senso a tutto ciò.

Sarà necessario avere competenze e strumenti per un'analisi predittiva rigorosa, per non rischiare di individuare correlazioni spurie.

Come saranno in grado di capire i responsabili delle manutenzioni se stanno osservando una semplice coincidenza o un rapporto causa-effetto?

È probabile che la natura umana del decisore spinga a sopravvalutare o sottovalutare il significato di alcune correlazioni, specialmente quando sono nuove e, apparentemente, interessanti. I data scientist dovranno sviluppare metodi rigorosi per dare un senso ai risultati.

 

Analizziamo le loro opzioni di analisi:

Saranno decisivi l'evoluzione di sistemi predittivi di machine learning, l'impiego di vecchi e nuovi strumenti statistici che consentano di capire come segmentare il campione di dati o raccoglierne altri. Se raccogliamo dati nei prossimi mesi, possiamo davvero mescolarli con le osservazioni dell'ultimo trimestre? Il modello sarà valido? Viceversa avrà senso utilizzare un modello semplificato? Quanto possiamo legittimamente spingerci avanti con l'inferenza statistica? Nel caso ci sbagliassimo, quanti rischi possiamo accettare?

 

Perchè la complessità delle analisi non si trasformi in una mostruosità multidimensionale saranno necessari strumenti di analisi di nuova generazione; concetti come quello di finestre di opportunità di manutenzione (maintenance opportunity windows - MOWs), permettono di simulare gli opportuni intervalli di tempo per varie configurazioni di sistema, considerando le incertezze come guasti casuali delle macchine, carenze di parti di ricambio, blocchi, ecc. piuttosto che algoritmi di apprendimento non supervisionato per analizzare l'interno del sistema e determinare il programma ottimale di manutenzione. La soluzione passerà inoltre attraverso lo sviluppo di un framework per mettere a sistema i dati provenienti dai differenti strumenti. La manutenzione diventerà sempre più una faccenda da data scientist piuttosto che da tecnici con le mani sporche di grasso.

 

In un articolo di Harald Rødseth, Per Schjølberg e Andreas Marhaug, ad esempio, propongono un modello di manutenzione chiamato Deep Digital Maintenance (DDM). Gli autori prevedono che ciò consentirà la pianificazione integrata della manutenzione e della produzione.

Non sarà una strada senza ostacoli; la sfida odierna nell'IA, rilevano ad esempio gli autori, è la "dimenticanza catastrofica", ovvero la tendenza di una rete neurale artificiale a dimenticare completamente e improvvisamente le informazioni apprese in precedenza dopo aver appreso nuove informazioni. Sembra, tuttavia, che le reti neurali profonde siano attualmente la tecnica di apprendimento automatico di maggior successo per risolvere questa sfida.

Le strade che sta percorrendo la ricerca sono molte e non possiamo qui riassumerle tutte ma va almeno citata l'applicazione del modello fuzzy, che basandosi su una logica costruita per gestire gradi di verità dei dati differenti (consente di considerare i dati parzialmente veri e parzialmente falsi).  Questo metodo si fondata sulla teoria degli insiemi fuzzy ideata nel 1965 da Zadeh. L'uso di questo tipo di strumento consentirebbe di gestire l'incertezza associata alle ispezioni visive in situ (non è un caso che sia già stata applicata all’indagine architettonica e strutturale).

In ambito antincendio, non potendo smontare un impianto per esaminarne lo stato di conservazione, un approccio simile potrebbe aiutare a valutare le stime effettuate dai tecnici.

 

I problemi e le sfide più comuni nella manutenzione predittiva saranno la disponibilità dei dati; le prestazioni del deep learning sono in gran parte vincolate dalla disponibilità di dati di qualità per addestrare e valutare i modelli.

In diverse situazioni ingegneristiche, ivi inclusa la valutazione di un impianto antincendio da manutenere, le parti interessate si trovano di fronte a una mancanza di dati o dati incompleti per la modellazione di alcuni fenomeni del mondo reale.

 

Ingegnerizzare i modelli sarà molto impegnativo. La misura in cui l'approccio adottato deve avere una conoscenza del dominio tecnico, dei guasti sottostanti, e della metodologia di raccolta dati, varia dal modello a modello. L'applicazione delle reti neurali non richiede una comprensione molto dettagliata del guasto essendo un metodo puramente basato sui dati.

Dove invece è necessaria una conoscenza fenomenologica della manutenzione, ad esempio la conoscenza dei processi fisici coinvolti nella teoria del degrado o dell'affidabilità, è nell'applicazione di sistemi Expert e Fuzzy. All'estremo opposto i modelli fisici richiedono un'ampia conoscenza del dominio, una comprensione dettagliata dell'ambiente, dei fattori e meccanismi fisici che influenzano i guasti.

 

Altre sfide riguardano aspetti tutti interni alle logiche di funzionamento degli algoritmi.

La modellazione simultanea di più guasti può essere uno sforzo computazionalmente molto intenso dal momento che coinvolge il trattamento di grandi set di dati che influiscono sulle prestazioni in tempo reale dell'algoritmo. Questa sfida può comunque essere affrontata acquisendo risorse adeguate.

A volte i risultati non sono affidabili a causa dell'assenza della conoscenza del sistema o della novità dei guasti che si sono verificati. Pertanto, sarà importante sviluppare modelli sufficientemente robusti da gestire nuovi difetti.

La spiegabilità, che è una caratteristica desiderabile degli algoritmi di machine learning, si riferisce alla capacità dei modelli di giustificare le proprie previsioni/decisioni.

Spesso questi algoritmi sono opachi o vere e proprie scatole nere di cui non si è in grado di conoscere il funzionamento interno ma solo gli input e gli output. Questo servirebbe a discriminare eventuali output contraddittori e falsi allarmi di guasti.

 

Insomma, se molte innovazioni potranno derivare, dall’applicazione degli strumenti citati, alla manutenzione – inclusa quella antincendio – molti sforzi dovranno ancora essere messi in campo.

  • https://www.powermag.com/how-digital-disruption-will-reshape-the-maintenance-management-sector/
  • https://www.theagilityeffect.com/en/about/innovation-enemy-maintenance/
  • https://iiot-world.com/predictive-analytics/predictive-maintenance/next-generation-analytics-is-doing-tremendous-things/
  • https://www.sciencedirect.com/science/article/abs/pii/S0957417413000298
  • https://reader.elsevier.com/reader/sd/pii/S2212827120305746?token=6485725E01DBB87066A996C52591804C17559D9E05D5DD8FF2901CC22F74E32458494FAFD49DCB0F3B6F957841A32D29&originRegion=eu-west-1&originCreation=20210719103555
  • https://link.springer.com/article/10.1007/s40436-017-0202-9
  • https://www.researchgate.net/publication/352562038_Expert_Panel_Preventive_Maintenance_of_Heritage_Buildings_and_Fuzzy_Logic_System_An_Application_in_Valdivia_Chile
  • https://www.orange-business.com/en/magazine/more-quick-fix-how-augmented-reality-can-change-maintenance-forever
  • https://www.researchgate.net/publication/273973453_Augmented_Reality_and_the_Future_of_Maintenance

 

Per scaricare questo articolo in versione pdf Clicca QUI

note sull'autore

Gianfranco Rocchi è curatore del digital content marketing di Mozzanica&Mozzanica Srl; con una formazione accademica in storia economica, ha una esperienza di oltre quindici anni nella consulenza aziendale relativamente ai sistemi di gestione aziendale e della salute e sicurezza sul lavoro. È stato inoltre autore di contenuti per la televisione ed il podcasting.

 

rocchi@mozzanica.eu

  www.mozzanica.eu

  https://www.linkedin.com/in/gianfrancorocchi/

 

 

side archivio

Archivio per anno

h-footer

Mozzanica & Mozzanica Srl

 

Via Martiri della Liberazione, 12

23875 Osnago (LC) - Italy

T +39 039 2254 700

T +39 039 9910 618

F +39 039 9910 615

info@mozzanica.eu

 

PEC mozzanica@legalmail.it

 

Cap. Soc. € 400.000,00 i.v.

REA Lecco 291853

P. IVA 02555530134

Sede di Milano

 

Via G. Sforza 62

20081 Abbiategrasso (MI)

F +39 039 9910 615

Mozzanica USA LLC

 

Sede USA

2253 Vista Parkway, Suite 8

West Palm Beach, FL 33411

T +1 561 370 3597

infousa@mozzanica.eu

Social

 

© Copyright 2021 - Mozzanica&Mozzanica Srl

Privacy Policy - Cookie Policy