PREVENIRE I GUASTI CON IL MACHINE LEARNING: CASI REALI

In questo articolo illustriamo il tipico percorso per costruire dei modelli di machine learning che permettano di monitorare e prevedere il comportamento di un asset. Nella seconda parte mostreremo invece degli esempi di applicazione e i risultati, raggiunti da MIPU, grazie ad un progetto il cui obiettivo era quello di prevenire i guasti attraverso l’applicazione del Machine Learning, per un’azienda cliente nel settore manifatturiero.

PREVENIRE I GUASTI CON IL MACHINE LEARNING: IL PERCORSO

Le applicazioni di Machine Learning per la Manutenzione Predittiva vengono utilizzate per identificare l’insorgenza di un guasto, prima che questo si verifichi. Chi ha familiarità con la curva P-F sa che prima si individua un potenziale difetto, prima si riesce ad evitare il fermo macchina.

• – La prima fase di un processo di analisi mediante Machine Learning prevede la costruzione di un modello matematico dell’asset. Il modello comprende tutti i parametri di processo associati a quello specifico asset. Questi parametri sono in genere memorizzati in un database che acquisisce i dati dal DCS dell’impianto, i PLC associati, i registri elettronici, ecc.
  Se, per esempio, stiamo progettando il modello di una pompa, la pressione di aspirazione, la pressione di scarico, la posizione della valvola di controllo, la temperatura e la vibrazione dei cuscinetti sarebbero dei buoni esempi di parametri da includere nel modello. La maggior parte dei modelli ha tra i 10 e i 30 parametri, ma esistono anche modelli con quasi 100 parametri.

• – In seconda fase, i dati storici dei parametri vengono importati nel modello. Questo dataset è in genere noto come set di dati per “l’addestramento” e normalmente include un anno di dati. Un dataset di un anno consente al modello di tenere conto delle variazioni stagionali delle operazioni di gestione. Una persona esperta nel funzionamento dell’asset, dotata quindi di competenza di dominio, saprebbe quindi quali sono i dati da includere od escludere nel set di addestramento.

• – Durante la terza fase, si utilizza il set di dati addestramento  per sviluppare una matrice operativa dell’asset. La matrice identifica il modo in cui la macchina dovrebbe funzionare in un dato momento in base ai dati di addestramento utilizzati per crearla.

• – In ultimo, il software monitora costantemente il funzionamento della macchina e prevede quali dovrebbero essere i valori dei parametri della macchina in base alla matrice che ha ricevuto in input. Se un parametro si discosta dalla previsione del modello di una percentuale significativa, il sistema genera un avviso relativo a quel particolare parametro. Viene quindi eseguita un’analisi tecnica sull’asset per valutare il cambiamento di condizione e le cause che potrebbero averlo innescato.
  (Il tuo software è in grado di farlo? Se no, potrebbe interessarti aggiornarlo)

PREVENIRE I GUASTI CON IL MACHINE LEARNING:
LE APPLICAZIONI

CASO 1

La Figura 1 mostra un incremento vibrazionale del cuscinetto della ventola di un ventilatore a causa di una perdita di olio. Questa condizione ha generato un allarme.
La soluzione creata con il Machine Learning aveva previsto che la vibrazione del cuscinetto avrebbe dovuto essere di circa 3,5 mm date le attuali condizioni operative. La vibrazione del cuscinetto si è lentamente allontanata dal valore previsto generando così un allarme non appena ha raggiunto il valore di 4,7 mm.

I responsabili tecnici dell’impianto sono così stati allertati e, tramite ispezione visiva della ventola, hanno identificato una perdita d’olio. L’aspirazione del ventilatore stava effettivamente aspirando nell’alloggiamento della ventola l’olio fuoriuscito dalla perdita, per questo motivo non c’era alcuna indicazione della perdita sul terreno. L’olio sulle pale della ventola ha accumulato sporco e detriti, causando uno sbilanciamento nella rotazione e quindi un aumento di vibrazione. I responsabili tecnici dell’impianto sono stati in grado di intraprendere azioni correttive per arrestare la perdita prima che il cuscinetto fosse danneggiato.

CASO 2

La Figura 2 riguarda il sistema di lubrificazione di un grande polverizzatore. Il sistema di lubrificazione fornisce olio alla scatola del cambio e a tutti i cuscinetti. Il modello dell’asset prevedeva che la temperatura fosse di 90 °F, ma la temperatura effettiva ha raggiunto i 110 °F. Il software ha quindi generato un allarme per i tecnici dell’impianto che hanno scoperto che la valvola di controllo dell’acqua di raffreddamento allo scambiatore di calore dell’olio lubrificante era guasta. La valvola di controllo è stata sostituita e il sistema è tornato a regime.

CASO 3

La Figura 3 riguarda un sistema elettroidraulico (EHC) che controlla la posizione della valvola, la velocità della turbina e le valvole di sicurezza. In questo caso, la pressione differenziale attraverso il filtro “A” della pompa EHC ha iniziato ad aumentare. I tecnici sono stati allertati per tempo e sono stati in grado di passare dalla pompa “A” alla pompa “B”.  In questo modo, si sono evitati il blocco di emergenza della turbina e tutti i danni ad esso associati.

Per avere maggiori informazioni su questi esempi o su come implementare modelli di machine learning per i tuoi asset, contattaci!