Digital360 Awards 2020

Manutenzione predittiva, il ruolo della Functional Data Analysis

Moxoff presenta “La matematica per la Predictive Maintenance” modello di manutenzione predittiva, finalizzato a prevedere l’insorgenza di un guasto, consentendo quindi di organizzare in maniera più efficiente logistica dei tecnici e approvvigionamento pezzi di ricambio, e di incrementare la proattività del Service verso i clienti. Per l’analisi dei dati è stata sviluppata una pipeline automatizzata che sfrutta un Cluster Apache Spark per le prime fasi di pre-processing dei dati in combinazione con algoritmi avanzati di analisi codificati in R che implementano un modello ML supervisionato per la previsione della Remaining Useful Life della macchina

Pubblicato il 27 Lug 2020

Functional Data Analysis 2020

Sviluppare un modello di manutenzione predittiva, al fine di prevedere in anticipo l’insorgenza di un guasto, consentendo quindi di organizzare in maniera più efficiente la logistica dei tecnici e l’approvvigionamento di pezzi di ricambio, e di incrementare la proattività del servizio clienti. A queste necessità risponde il progetto La matematica per la Predictive Maintenance di Moxoff e che è risultato finalista ai Digital360 Awards 2020, per la categoria Machine Learning e Intelligenza Artificiale.

Ecco come si esprimono gli elettrodomestici

Nel settore del bianco la qualità dei prodotti e i servizi annessi sono fattori critici di successo e diventano pertanto prioritari per il management, che è sottoposto a elevate complessità di gestione.

Per questo motivo, negli ultimi anni, un importante player nel settore consumer appliances ha investito molto nello sviluppo di prodotti IoT portando sul mercato una flotta di elettrodomestici connessi (lavatrici, asciugatrici, lavastoviglie, frigoriferi, forni eccetera) al fine di raccogliere informazioni strategiche per lo sviluppo di servizi innovativi.

Grazie alla connessione Wifi di casa, i moderni elettrodomestici forniscono in tempo reale informazioni sul proprio stato: caratteristiche tecniche, programmi e impostazioni selezionati dall’utente, misurazioni di sensori montati a bordo macchina.

In questo progetto, in particolare, i dati vengono raccolti in cloud e sono salvati nel Data Lake aziendale dove vengono analizzati dagli algoritmi sviluppati ad hoc da Moxoff che consentono così di monitorare in tempo reale lo stato di funzionamento degli elettrodomestici e di riconoscere pattern di degrado, precursori di malfunzionamenti e guasti.

Per l’analisi dei dati è stata sviluppata una pipeline automatizzata che sfrutta un Cluster Apache Spark per le prime fasi di pre-processing dei dati in combinazione con algoritmi avanzati di analisi codificati in R che implementano un modello di Machine learning supervisionato per la previsione della Remaining Useful Life (RUL) della macchina.

Fasi ed elementi distintivi del progetto Moxoff

Il progetto è stato articolato sulle seguenti macro-attività: realizzazione di una Proof of concept (PoC) focalizzata su uno specifico caso studio (un determinato modello di lavatrice), finalizzata allo sviluppo del modello predittivo; sviluppo, irrobustimento della pipeline di analisi e delle tecniche individuate; progettazione e realizzazione di un’applicazione web (dashboard) fruibile in modo semplice da remoto.

Una fase fondamentale per lo sviluppo dell’algoritmo è stata l’estrazione delle informazioni rilevanti dai dati raccolti dai sensori presenti sulle macchine oggetto dell’analisi, che ha permesso di migliorare il processo di acquisizione dati.

Attraverso tecniche di Functional Data Analysis è stato possibile applicare avanzati algoritmi di anomaly detection sulle curve dei sensori per identificare comportamenti anomali, possibili precursori di un guasto.

Questi algoritmi permettono di rilevare la presenza di valori di picco e scostamenti rispetto al tracciato “ideale” del sensore. La Functional Data Analysis ha permesso di automatizzare la definizione dei tracciati ideali operando in maniera completamente data-driven a partire da misurazioni effettuate su macchine sane. Questo ha permesso un enorme guadagno in termini di efficienza evitando di dover effettuare manualmente il tagging dei dati o la definizione del comportamento ideale.

Questo approccio rende inoltre l’algoritmo molto flessibile ed in grado di adattarsi a diversi prodotti che possono presentare caratteristiche di funzionamento differenti.

Più nello specifico, l’algoritmo è in grado di prevedere con sufficiente anticipo, più del 50% dei guasti mantenendo il numero di falsi warning sotto il 10%. Inoltre, non solo l’insorgenza di una rottura è segnalata, ma anche la tipologia.

La dashboard sviluppata permette la visualizzazione delle macchine per le quali è stato previsto un guasto imminente e un’ispezione più approfondita dei dati attraverso viste dedicate in grado di fornire informazioni utili per chi deve pianificare gli interventi di manutenzione.

Il Service è l’ambito che può beneficiare maggiormente dell’utilizzo di queste preziose informazioni. In prospettiva, il dipartimento di Product marketing potrebbe sviluppare nuove funzionalità dei prodotti ritagliate sul loro reale utilizzo da parte dell’utente finale. Sul fronte della supply chain, lo strumento potrà permettere di migliorare la pianificazione dell’approvvigionamento dei pezzi di ricambio.

Digital360 Awards 2020 ecco gli sponsor

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 3