MANUTENZIONE PREDITTIVA CON AI

La MANUTENZIONE PREDITTIVA è una strategia di manutenzione che utilizza tecnologie avanzate per prevedere quando un macchinario o un sistema potrebbe guastarsi, in modo da poter intervenire prima che il problema si verifichi. La Manutenzione Predittiva è “condition based” ovvero interviene al verificarsi di determinate condizioni che portano l’anomaly score ad un valore autodefinito dal modello come “limite”.

Questo tipo di manutenzione si basa sull‘analisi dei dati raccolti dai sensori che monitorano in tempo reale lo stato delle apparecchiature, rilevando variazioni nei parametri operativi (come vibrazioni, temperatura, pressione, rumore, ecc.) che potrebbero indicare un imminente guasto. La bontà dell’analisi dipende dunque dalla precisione, completezza e bontà dei dati che vengono rilevati e dalle modalità di acquisizione.

La soluzione si basa sull’utilizzo di un accelerometro che, applicato sulla macchina, misura le vibrazioni su tre assi, acquisendo dati che vengono utilizzati per allenare il modello fino a segnalare lo stato di salute della stessa sulla base degli scostamenti dal valore atteso rilevati. Il sensore è in grado di acquisire dati vibrazionali ad una frequenza di 40 Khz per asse (circa 120.000 misurazioni al secondo sui tre assi): dati che vengono elaborati direttamente on edge e che consentono in un breve periodo di ottenere informazioni precise sull’andamento del macchinario.

Il modello per l’algoritmo di analisi (basato su reti neurali) può essere perfezionato attraverso un periodo di allenamento del modello con tecniche di machine learning.

I dati raccolti dall’accelerometro della ISS vengono elaborati dal software proprietario LogiMAINT, che consente il monitoraggio 24 ore su 24, 7 giorni su 7 del funzionamento della macchina. Grazie all’apprendimento continuo, è in grado di rilevare e segnalare eventuali anomalie che, se non risolte, potrebbero causare guasti tecnici e compromettere le prestazioni della macchina.

Un punteggio di anomalia più alto indica che è più probabile che il punto dati sia un’anomalia (vale a dire che si discosta significativamente dalla norma), mentre un punteggio più basso suggerisce che il punto dati è più tipico.