La sezione “” ha come scopo il riconoscimento automatico di comportamenti anomali di componenti/stazioni di macchine e linee tramite un software che, sfruttando algoritmi di machine learning, è in grado di processare i dati prodotti da quest’ultimi e valutarne le condizioni.
Gli algoritmi allenati seguono un approccio di “Anomaly Detection”: l’algoritmo, allenato al riconoscimento sulla base di dati di funzionamento “normale”, è in grado di identificare eventuali pattern anomali, inaspettati rispetto alla normalità, anche in assenza di esperienza diretta (approccio non supervisionato).
Di seguito vengono indicati i passaggi che, operativamente, portano all’implementazione del sistema di Monitoraggio Salute.
L'individuazione dei componenti/stazioni, avviene adottando i seguenti criteri:
Critici per la produzione
Soggetti a rotture e manutenzione con discreta frequenza
Condizione di usura di difficile interpretazione
Per ciascun componente/stazione si devono selezionare le variabili più adatte, informative per conoscere lo stato del componente/stazione, avvalendosi del know-how del costruttore:
Variabili di processo: pressioni, correnti, posizioni, temperature, ecc..
Variabili di ricetta / setpoint
Variabili di contesto produttivo (es. temperatura ambiente)
Operazioni matematiche da eseguire sulle variabili per ottenere informazioni significative per la valutazione dello stato di salute del componente, applicate in fase di valutazione degli episodi.
Tali features codificano il know-how del costruttore; esse fungono da input all’algoritmo di machine learning, aiutando quest’ultimo a individuare con più facilità (da un punto di vista computazionale e logico) la normalità di funzionamento del componente.
Per effettuare l'allenamento dell’algoritmo di Anomaly Detection è necessario svolgere una raccolta dati preliminare, eseguita in autonomia dal sistema a livello EDGE. Vengono eseguiti i primi N. cicli di funzionamento dei componenti nel loro contesto operativo, successivamente il sistema esegue il training dei modelli di machine learning.
Al termine di questi passaggi, l’allenamento degli algoritmi di Anomaly Detection è ultimato e il sistema è in grado di valutare gli episodi successivi, fornendo come output il KPI stato di salute del componente, espresso in forma percentuale.
Qualora lo stato di salute dovesse scendere sotto una certa soglia auto-determinata (esempio 50%) il sistema registra un episodio anomalo e notifiche il personale addetto.
Tale approccio “ibrido”, frutto dell’unione di modelli di machine learning e feature “expert-based”, è denominato “grey box approach” e offre in sintesi i seguenti vantaggi:
Codifica del know-how del produttore della macchina/impianto tramite features; l’algoritmo non deve “imparare” da solo ciò che il costruttore ha appreso in decine di anni di esperienza operativa.
Efficacia dal punto di vista computazionale, con possibilità di eseguire il training dell’algoritmo direttamente su unità EDGE a bassa capacità di calcolo e a basso costo.
Scalabilità su ulteriori esemplari o modelli di macchina/impianto (e relative componenti/stazioni) grazie al processo di allenamento autonomo.
