Chi si occupa di un impianto industriale sa che, prima o poi, dovrà affrontare l'emergenza dovuta a una rottura. Si tratta di situazioni che, in alcuni casi, possono avere effetti gravi, sia in termini economici che di immagine. Un guasto, anche a carico di un componente di pochi euro, può infatti interrompere la produzione, così come può scatenare una cascata di problemi dall'esito incerto. E poi, come si dice, “gli incidenti avvengono sempre… nel momento meno opportuno”.
Meglio prevenire o predire?
A fronte di questa situazione, i responsabili della manutenzione hanno sviluppato una serie di tabelle che, su base statistica, permettono di ipotizzare la vita utile di ogni singolo componente, provvedendo così a sostituirlo prima che abbia superato un'ipotetica soglia temporale o di cicli. Si tratta, però, di valutazioni statistiche che, tipicamente, portano a sostituire i singoli componenti con un significativo anticipo e, comunque, non possono prevenire guasti o rotture dovuti a cause fortuite o alla presenza di piccoli problemi produttivi o a carico dei materiali.
La manutenzione preventiva sta così lasciando spazio alla manutenzione predittiva, ovvero la capacità di monitorare una serie di parametri per individuare i segnali che lascino presagire un'imminente rottura. La statistica viene così integrata con l'analisi fisico/matematica di una serie di fattori, spesso correlati tra loro.
In pratica, come ci spiega Alessandro Chimera, Industry Consultant di Tibco Software, viene sviluppato un modello statistico basato, sul Machine Learning, per studiare le eventuali anomalie integrandole con i dati sensoristici raccolti in tempo reale. Una modalità che consente, con estrema precisione, di predire l’anomalia.
Proprio Alessandro Chimera sarà protagonista, il prossimo 8 marzo alle 11, del webinar “Machine Learning ed Industry 4.0 la nuova predictive maintenance”. Un approfondimento durante il quale spiegherà come anticipare le anomalie ed agire in tempo reale prima che si verifichino.
Una scienza che non è più in fase sperimentale, ma vanta una serie di impieghi reali. Per questo, dopo aver illustrato come il Machine Learning permette di anticipare le anomalie, Chimera presenterà un caso reale, in cui proprio la manutenzione predittiva, sfruttando l'intelligenza artificiale, ha permesso di risparmiare il 10% sui costi di manutenzione.
Al termine della presentazione, infine, sarà possibile porre una serie di domande direttamente al relatore. Domande o curiosità possono essere poste anche prima del webinar, scrivendo all'indirizzo redazione.itis@bitmat.it.
La partecipazione è gratuita previa iscrizione a questo link.
