Home » Manutenzione predittiva, Machine Learning per l’efficienza energetica

Manutenzione predittiva, Machine Learning per l’efficienza energetica

manutenzione predittiva, machine learning, AI, manutenzione, efficienza energetica, energia, industria, energy close-up engineering

serinar.unibo.it/industria-4-0/

Articolo a cura di Fabio CAPOCCHIANO

L’implementazione di algoritmi permette di effettuare la manutenzione predittiva. Utile nella riduzione dei costi di manutenzione, ma anche dei tempi di downtime. Tali algoritmi fanno parte del machine learning ovvero la capacità dei sistemi di apprendere e migliorare automaticamente dall’esperienza. Implementare un algoritmo significa scrivere, attraverso un opportuno linguaggio di programmazione, delle righe utili al conseguimento dell’obiettivo. 

Algoritmi di Machine Learning

Durante il funzionamento degli impianti industriali è opportuno studiare l’andamento nel tempo di varie grandezze. Il fine è quello di comprendere le condizioni di esercizio dell’impianto. Se si riesce ad osservare un pattern di funzionamento che si ripete, si può dire, attraverso un algoritmo, quali sono i valori anomali. Tali valori sono denominati “outliers” e si differenziano da quelli che rappresentano il corretto funzionamento.

L’apprendimento automatico è un’applicazione dell’intelligenza artificiale (AI). Il processo di apprendimento inizia con osservazioni o dati al fine di cercare modelli e prendere decisioni future sulla base degli esempi forniti. Una possibile applicazione di tali algoritmi risiede nella manutenzione predittiva.

GMM e manutenzione predittiva

Uno degli algoritmi predittivi è il GMM. L’acronimo GMM sta per “Gaussian Mixture Models”. Modelli di miscela sono modelli probabilistici che rappresentano la presenza di sottopopolazioni all’interno di una popolazione complessiva. Il GMM è un algoritmo di modellizzazione che individua i parametri della distribuzione gaussiana.

manutenzione predittiva, machine learning, AI, manutenzione, efficienza energetica, energia, industria, energy close-up engineering
smeup.com/

L’implementazione consta di due fasi:

  • Nella prima si verifica che ciascun elemento della serie temporale analizzata appartenga ad una gaussiana fissata.
  • Nella seconda fase avviene l’update in quanto, se l’elemento appartiene alla gaussiana, bisogna evolvere tale gaussiana.

In questo senso, evolvere la gaussiana significa modificare i valori di media e deviazione standard ma anche donarle una certa significatività statistica. In questo modo si riesce a ricostruire un modello rappresentativo della grandezza fisica studiata. È possibile inserire questi algoritmi all’interno di dashboard o flussi logici già esistenti al fine di predire operazioni di manutenzione.

Manutenzione predittiva

Tutte le organizzazioni possiedono beni di valore che fanno parte dell’infrastruttura fisica dell’azienda: attrezzature, computer, macchinari industriali. La manutenzione predittiva è una modalità di manutenzione emergente, portata alla ribalta dalla trasformazione digitale. Con essa è possibile estendere il ciclo di vita dei beni, ridurre costi e complessità delle riparazioni. Si gestiscono meglio le scorte di materiali e pezzi di ricambio.

È una strategia che sfrutta la manutenzione basata su algoritmi predittivi per ricercare e individuare errori o anomalie ed evitare fallimenti e perdite. Infatti, la manutenzione predittiva utilizza tecniche di condition monitoring per tracciare le prestazioni durante il normale funzionamento, individuare anomalie e risolverle. Si differenzia sia dalla manutenzione reattiva o correttiva che da quella preventiva.

Vantaggi energetici della manutenzione predittiva

Le finalità dell’implementazione di tali algoritmi riguardano la riduzione dei costi di esercizio e l’ottimizzazione degli investimenti in conto. Si cerca di minimizzare i consumi energetici e le occorrenze in cui attuare il fermo impianti. Un modo per ottenere l’efficientamento energetico si basa su dispositivi intelligenti che sfruttano algoritmi predittivi di intelligenza artificiale.

Tra i vantaggi:

  • pay back dell’investimento dai 3 ai 12 mesi,
  • detrazioni per interventi di ristrutturazione e di efficientamento energetico,
  • conseguimento di certificati bianchi,
  • cambiamento del mindset aziendale.

L’ottimizzazione energetica implica l’utilizzo dell’intelligenza artificiale. Sia per una riduzione dei consumi che per un miglioramento delle funzionalità dell’edificio. Inoltre, vi è anche il miglioramento della qualità di vita all’interno degli spazi e l’aumento di valore dell’immobile.