verticale

Industrial analytics: tecnologie predittive per incrementare le prestazioni delle macchine

Definizione di Machine Learning.
1. Introduzione
2. Definizione
3. Cosa serve per un progetto?
4. Vantaggi per le parti in causa
5. Tecnica
6. Il Progetto in pratica

Scarica il PDF Scarica il PDF
Aggiungi ai preferiti Aggiungi ai preferiti


Atti di convegni o presentazioni contenenti case history
SAVE Milano aprile 2019 Dagli Smart Instruments al Cloud

Pubblicato
da Atti di convegno Atti di convegno
SAVE Milano 2019Segui aziendaSegui




Settori: 

Parole chiave: 


Estratto del testo
Gli atti dei convegni e più di 10.000 contenuti su www.verticale.net Milano Industrial analytics: tecnologie predittive per incrementare le prestazioni delle macchine Andrea Epifani Agenda Argomenti 1. Introduzione 2. Definizione 3. Cosa serve per un progetto' 4. Vantaggi per le parti in causa 5. Tecnica 6. Il Progetto in pratica Introduzione Intelligenza artificiale e il machine learning sono già presenti nella nostra vita:
Internet
' Filtri Anti spam / Detezione frodi
' Suggerimenti per ricerche (google, amazon), playlist (Spotify), film (Netflix, amazon)
' Suggerimenti per Acquisti online
' Riconoscimento vocale
' Giochi ( Google AlphaGo )
Medicina
' tool di diagnostica per immagine (rilevazione retinopatie, tumori ')
' App per diagnosticare avanzamento malattie degenerative come Parkinson o simili
Finanza
' Modelli previsionali per individuazione trend o previsioni a breve termine
Altro
' Macchine a guida assistita E per quanto riguarda l''industria' Analizziamo le opportunità che questa tecnologia offre Vantaggi per le parti in causa A prescindere dall''aspetto tecnologico, in campo
industriale una soluzione viene adottata se porta ad
un vantaggio competitivo. Quando si parla di
tecnologie legate alla manutenzione si analizzano
costi ed efficienza produttiva.
Per quantificare i costi di fermo macchina in una
linea di produzione è necessario considerare:
' Costi vivi
' Danneggiamenti ad altre macchine della linea
' Diminuzione della produzione di linea
' Costo del personale inoperoso
Questo aumenta i costi finali in maniera rilevante,
anche di diversi ordini di grandezza, rispetto a
considerare il costo del solo pezzo di ricambio.
Prevenire l''accadimento di eventi distruttivi
presenta un considerevole vantaggio economico. Inoltre, non utilizzando dati nominali ma relativi alla
singola installazione, si realizza, in pratica, una
''personalizzazione'' a livello di singola macchina.
In alcuni casi, se il sistema lo prevede, si possono
aggiornare i parametri in base a nuovi dati registrati
durante l''utilizzo della macchina stessa. Definizione Per prima cosa diamo una definizione di Machine Learning: ''[Automaic Learning is the] field of study that gives computers the ability to learn without being explicitly programmed.'
The goal of Machine Learning is never to make ''perfect' guesses, because it deals in domains where there is no such
thing (statistic). The goal is to make guesses that are good enough to be useful. Semplificando si può dire che è l''utilizzo di dati per rispondere a domande poste. Per applicazioni nell''industria, si tratta quindi di raccogliere dati ed elaborarli con metodologie matematiche che, tramite modelli, generano informazioni utili per perseguire obbiettivi prefissati. Fasi del Progetto 2. Verifica Dati 3. Proof of Concept 4. Test in Macchina 5. Sviluppo e Rilascio 1. Definizione Obbiettivi Analisi del problema, definizione
obbiettivi e risorse a disposizione (analisi offline) Analisi di fattibilità sia dal punto di vista tecnico che economico Verifica preliminare dati: formato, qualità Prototipo con integrato l''applicativo di analytics Sviluppo e implementazione della soluzione Progetto: In Macchina 1 '' Data Acquisition 3 '' Parameter Estimation 5 '' Visualization 2 '' Data Preprocessing 4 '' Runtime at Machine Start - up Run at machine Tecnica Di seguito una breve lista dei metodi matematici più comunemente utilizzati:
' Regressione lineare
' Regressione logistica
' Classificatore Bayesiano (naive Bayes)
' Reti neurali
' Metodo Kernel
' K-means clustering
' Gradient descent Queste metodologie si applicano alle seguenti problematiche:
' Rilevazione anomalie
' Classificazione anomalie
' Predizione evento
' Predizione qualità prodotto Tecnica: Rilevazione anomalie Sono individuate condizioni che si discostano dal comportamento previsto ricavato dalle serie storiche, considerato quindi il comportamento ''normale'. In generale l''anomalia, nelle applicazioni
industriali, è un indice di un problema in corso. Questa tecnica permette:
' La rilevazione di stati critici che con altre regole non sarebbero riscontrati
' La semplificazione di problemi complessi
' Di reagire in un tempo utile a non far propagare il problema o a renderlo un evento ''catastrofico'. Tecnica: Classificazione anomalie Le situazioni anomale riscontrate sono assegnate a tipologie di errori definiti nelle serie di dati e
quindi già catalogati. Il modello può essere aggiornato con nuove serie di dati, quindi le sue
prestazioni possono migliorare con il tempo.
Questa tecnica permette:
' La facilitazione del lavoro di manutenzione in impianto, in quanto si hanno indicazioni sull''errore presente ' La diminuzione dei tempi di fermo macchina, soprattutto in presenza di errori poco frequenti o mai riscontrati Error 1 Error 2 Set 1 Set 2 Tecnica: Predizione Evento Questa tecnica predice il tempo residuo all''accadimento di un evento. Tipicamente la vita residua di un componente o l''accadimento di un errore. Questa tecnica permette di:
' Ridurre il down time della macchina
' Facilitare il lavoro di manutenzione di impianto
' Permette una migliore pianificazione delle risorse, dei ricambi e del personale La più significative differenze fra manutenzione predittiva e manutenzione preventiva sono due:
1. Nella manutenzione preventiva è possibile: - cambiare un pezzo che ha ancora vita utile
- avere una rottura prima del tempo previsto, con conseguente fermo impianto 2. Nella manutenzione predittiva si lavora su dati relativi alla macchina su cui è applicata, considerando le reali condizioni di utilizzo della macchina. Nella manutenzione preventiva si
usano i valori calcolati in condizioni nominali. Tecnica: Predizione qualità prodotto Questa tecnica predice la qualità del prodotto.
Si effettua una comparazione fra un set di registrazioni, che definiscono la qualità di riferimento, e i
dati della lavorazione in corso. Rilevando le differenze, si predice la qualità del prodotto finale
generando allarmi o warning.
Questa tecnica permette di:
' Monitorare la qualità della produzione in modo continuo, utilizzando un gran numero di variabili
' Ridurre gli scarti, data la tempestività nell''individuazione di trend di scostamento rispetto al riferimento Progetto: Architetture possibili Tecnologie di Automazione + Digitalizzazione Sicurezza IoT Communication Apparati operatore dei
clienti MQTT AMQP IoT Analytics IoT Gateway Edge PC Visualizzazione u-remote u-control Comunicazione fra apparati Apparati
intelligenti Piattaforna Indipendente TSN Tecnologie di Automazione + Digitalizzazione I/O''s IoT + I/Os Private / Public Cloud IoT + I/Os IoT + I/Os Gateway Grazie per l''attenzione


In evidenza

SAP Italia
Trova il percorso di trasformazione digitale per la tua impresa: scarica gratis la survey SAP e IDC
SD Project
SPAC : Il Software per la progettazione Elettrica

Articoli correlati

© Eiom - All rights Reserved     P.IVA 00850640186