verticale

Non è importante sapere quando un guasto accadrà se si è in grado di prevenirlo! Il CMMS CARL Source

I servizi di manutenzione devono oramai fronteggiare una nuova sfida : non più predirre il momento in cui un guasto accadrà, ma agire in modo da poterlo prevenire. E' la sfida del futuro : una manutenzione basata su asset virtuali, ossia modelli creati tramite algoritmi IoT e machine learning.

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


Atti di convegni o presentazioni contenenti case history
MCM Milano aprile 2019 Analisi, predittiva, monitoraggio 4.0 per l?integrit? di componenti e impianti

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




Settori: 

Parole chiave: 


Estratto del testo
Gli atti dei convegni e più di 10.000 contenuti su www.verticale.net Milano CARL SOFTWARE Non è importante sapere quando un guasto accadrà, se si è in grado di prevenirlo : scopri come attraverso il CMMS CARL Source Cristiana BURDINO Consulente CARL Software 18/04/2019 IL CMMS CARL SOURCE 3 STRATEGIA DI RICERCA E SVILUPPO 23,6 M' investiti in
R&D a livello di gruppo 2,2 M' investiti in R&D
per l''asset management Assi d''innovazione ' IoT ' Energy Management, ' Mobility ' Sistemi Geografici
Territoriali (GIS)
' Geolocalizzazione, ' BIM Una strategia
focalizzata
sull''innovazione 4 TECHNOLOGIE ABILITANTI ''Reti a banda larga
''Realtà virtuale / 3D
''Cloud 2.0 & Intelligenza Artificiale
(Machine Learning)
''Sicurezza e blockchain
''API 5 ARTIFICIAL INTELLIGENCE MACHINE LEARNING ' Per millenni abbiamo
immaginato più di quanto
non potessimo realizzare,
mentre oggi realizziamo più
di quanto non siamo poi in
grado di controllare,
nemmeno con
l'immaginazione . . (Günther
Anders, 1992)
HAL in 2001 Odissea nello spazio (1968) : la sfida dell''Intelligenza Artificiale! DEEP LEARNING Predire « quando il guasto arriverà » NON è la vera sfida ! L''INTELLIGENZA ARTIFICIALE NON ' NUOVA 6 LE STRATEGIE DI MANUTENZIONE Ispezioni previsionali Riparazione Revisioni e Sostituzioni: senza
sapere lo stato di degrado esatto della
macchina Ispezioni a seguito di Allarmi Manutenzione PREVISIONALE Manutenzione CORRETTIVA Manutenzione PREVENTIVA Severità
del guasto Tempo Manutenzione On Condition Soglia di
sorveglianza 7 MANUTENZIONE PREVENTIVA E ON CONDITION Aggiorna un contatore in modalità sincrona
Il contatore è in un Piano Preventivo
Manutenzione Preventiva Aggiorna un elenco eventi /Tag
L''evento è in un Piano Preventivo
Controllo / Ispezione Contatore Evento anomalo La manutenzione
« Preventiva » e « On Condition » al ''interno dei sistemi CMMS,
fanno scattare:
Ordini di Lavoro pre-definiti. 8 Preventiva a Contatore / Punto di lettura 9 REGISTRO EVENTI 10 ANALIZZARE I DATI PER ' RACCOMANDARE '' Comprendere : quando, perchè e come avviene un degrado o un guasto '' Analizzare : modelli di analisi dei dati '' Predire le conseguenze del degrado o del guasto '' Recommandare/ Prescrivere le azioni da esguire sull''impianto o sull''ambiente circostante Obiettivi 11 11 RACCOMANDAZIONI: UN NUOVO APPROCCIO La manutenzione non serve più solo a RIPARARE. La manutenzione, grazie ad interventi contestualizzati e su
condizioni reali, sarà una funzione che può contribuire a
ottimizzare qualità e produzione ! 12 12 50% guasti
30% costo della manutenzione 20% consumi Know-how & Sicurezza 30% Tempi di riparazione Flessibilità PREVOIR ET RECOMMANDER : B'N'FICES BENEFICI 13 13 PRINCIPI DELLA PIATTAFORMA CARL CMMS/ EAM CARL Source Strumento d''analisi BUS IoT & Servizi Connettore LORA Connettore Sigfox Re st itu zi on e Tr a tt a m e nt o A c q ui siz ion e A PI m e st ie re Connettore Specifico Connettore BMS Piattaforma IoT API generiche Motore del e regole e d''intel igenza artificiale (trattamenti automatici) Optimisations (gammes) Hypervisione (eventi, notifiche) Base Dati patrimonio, cicli, interventi' Altri impianti connessi A PI G e st ione Servizi per gli attori sul campo Richieste di Intervento, Ispezioni, ' s t o r i c o Servizi per i clienti Altri fonti dati: documenti, Database, strutturati DocumentI A PI me sti e re API Query 14 14 IL GEMELLO DIGITALE PER LA MANUTENZIONE E OTTIMIZZAZIONE '' Il gemello digitale è una replica teorica dell''asset fisico.
'' In continuo apprendimento, si aggiorna grazie ai dati provenienti da molteplici fonti e mostra il suo stato, la sua condizione di lavoro o la sua posizione in tempo quasi reale. Ottimizzare il
funzionamento e la
manutenzione degli
asset fisici 15 15 CYBER-PHYSIQUE 16 16 CONNETTORI PER LA RIPRESA DATI 17 17 ECO-SISTEMA TECNOLOGICO PER TRATTARE I DATI ' Cooperazione con esperti di IOT, « data scientists » e laboratori di ricerca IoT e imbarcati Ricerca AI E datascience 18 ECO-SISTEMA'' ISTITUZIONALE ' Membri dell''Association Française pour l''Intelligence Artificielle ' Membri del Pôle Mont Blanc Industrie e dell''AFIM (Association française des ingénieurs et responsables de maintenance) 19 19 ESPERIENZE 20 ALSTEF AUTOMATION Packaging Magazzini automatici AGV Smistamento Bagagli 21 21 Contesto '' Sistemi automatici di movimentazione bagagli: '' Impianti semplici ma sistemi complessi
'' Disparità dei bagagli '' Ne assicura l''esercizio (SLA 99%) e la manutenzione (Preventiva 90%): '' Accessibilità complicata
'' Impianti vitali da monitorare costantemente '' Insieme a CARL lavora sul progetto di R&D dedicato alla manutenzione previsionale degli impianti dislocati sui siti clienti '' BERGER LEVRAULT dispone dei diritti d''utilizzo dei dati per queste attività di ricerca e resta proprietario dei modelli generati. ALSTEF AUTOMATION: IL PROGETTO 22 '' Cosa vorremmo fare '' Siamo capaci di seguire l''evoluzione di un impianto nel tempo e di adattare la sua
manutenzione in base ai bisogni reali (approccio
condizionale reale)' '' Possiamo indentificare una deriva che porterà ad un guasto nel futuro prossimo' Domande Obiettivi ALSTEF AUTOMATION: IL PROGETTO '' Ridurre i costi di manutenzione: '' Meno correttiva e preventiva
'' Anticipare i guasti
'' Diminuzione delle ronde '' Migliorare le Performance '' Anticipare i guasti = manutenzione programmata e non subita '' Aumentare la flessibilità '' Anticipazione degli eventi
'' Migliorare l''organizzazione delle squadre '' Ridurre gli eventi aleatori '' Alimentare il Ritorno sperienza
'' Migliorare la comprensione dei fenomeni di guasto 23 Co- R&D '' Nessuna soluzione definita a priori, si procede insieme con scopo comune: '' Per ALSTEF: Validare un concetto che sarà industrializzabile '' Per CARL Software: Validare un prototipo integrato al CMMS con un caso reale industriale. '' Condivisione d''esperienza, ricerca di soluzioni comuni Cosa vedere in CARL Source: '' HYPERVISION della macchina
'' Integrare i sensori a CARL Source (senza intermediari)
'' Rilievo automatico delle anomalie e auto- diagnosi
'' Previsione di derive e tendenze ALSTEF AUTOMATION: IL PROGETTO La soluzione deve: '' Avere un ROI identificabile
'' Poter monitorare gli impianti chiave
'' Avere un approccio di manutenzione e non informatico '' Essere integrata Obiettivi: '' Colli di bottiglia del sistema (=criticità )
'' Impianti ad accesso difficile Vincoli: '' Contesto aeroportuale (cyber sicurezza) - sistema «plug and play» '' Tecnologie recenti 24 DISPOSITIVI DI RACCOLTA Un nastro trasportatore « topo di laboratorio »
Installazione di 6 sensori radio che comunicano su un canale dedicato, collegati in rete ad altri sensori, collegati in internet
Per ciascun nastro (dati criptati) : scambio dati bidirezionale dal terreno al Cloud Misure (intensità del sistema moto riduttore, températura, temperatura olio) Velocità Centraggio del nastro 25 AI E APPRENDIMENTO: ESPERIENZA IN ALTERNATIVA ALLA MANCANZA DI
STORICO
Processo di training / piano d''esperienza per costruire il modello iniziale:
'' Far funzionare il tappeto senza carico per almeno una settimana
'' Eseguire test : a vuoto, carico, sovraccarico
'' Riscaldamento del motore (ostruzione della ventilazione)
'' Installazione di elementi difettosi (tensione, estremità, tamburo motore,...)
'' Decentramento del nastro
'' Allungamento del nastro
'' Sequenze di stop '' restart del motore
'' Far funzionare il tappeto per una settimana con dei carichi al di sopra (pacchi, bagagli,...)
'' « Gettare » un bagaglio pesante Installare i sensori su più nastri per validare il modello:
'' Sperimentare il modello sul sistema dell''aeroporto di Lione Saint Exupéry 26 PIANO D''ESPERIENZA: ILLUSTRAZIONE Campionamento dei dati Cas n° Tension Renvoi Extrémité Tambour moteur Centrage Tension Démarrage Ventilation moteur Charge Lancer bagage lourd Durée processus (min) Occurrence Début 1 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Vide Non 480 1 1 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Vide Non 15 2 1 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Vide Non 15 3 1 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Vide Non 15 4 1 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Vide Non 15 5 2 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Poids trainé Non 480 1 2 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Poids trainé Non 15 2 2 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Poids trainé Non 15 3 2 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Poids trainé Non 15 4 2 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Poids trainé Non 15 5 3 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Charge Non 15 1 3 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Charge Non 15 2 3 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Charge Non 15 3 3 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Charge Non 15 4 3 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Charge Non 15 5 4 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Surcharge Non 15 1 4 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Surcharge Non 15 2 4 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Surcharge Non 15 3 4 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Surcharge Non 15 4 4 Neuf Neuf Neuf Neuf Bon Bonne 0 Non obstruée Surcharge Non 15 5 5 Neuf Neuf Neuf Neuf Bon A varier 0 Non obstruée Vide Non 30 1 5 Neuf Neuf Neuf Neuf Bon A varier 0 Non obstruée Vide Non 30 2 5 Neuf Neuf Neuf Neuf Bon A varier 0 Non obstruée Vide Non 30 3 5 Neuf Neuf Neuf Neuf Bon A varier 0 Non obstruée Vide Non 30 4 5 Neuf Neuf Neuf Neuf Bon A varier 0 Non obstruée Vide Non 30 5 6 Neuf Neuf Neuf Neuf Moyen Bonne 0 Non obstruée Vide Non 15 1 6 Neuf Neuf Neuf Neuf Moyen Bonne 0 Non obstruée Vide Non 15 2 6 Neuf Neuf Neuf Neuf Moyen Bonne 0 Non obstruée Vide Non 15 3 6 Neuf Neuf Neuf Neuf Moyen Bonne 0 Non obstruée Vide Non 15 4 6 Neuf Neuf Neuf Neuf Moyen Bonne 0 Non obstruée Vide Non 15 5 7 Neuf Neuf Neuf Neuf Mauvais Bonne 0 Non obstruée Vide Non 15 1 7 Neuf Neuf Neuf Neuf Mauvais Bonne 0 Non obstruée Vide Non 15 2 7 Neuf Neuf Neuf Neuf Mauvais Bonne 0 Non obstruée Vide Non 15 3 7 Neuf Neuf Neuf Neuf Mauvais Bonne 0 Non obstruée Vide Non 15 4 7 Neuf Neuf Neuf Neuf Mauvais Bonne 0 Non obstruée Vide Non 15 5 Inputs Output ( A remplir) Bandeaux Bande YYYY/MM/DD-HH:MM:SS 27 MANUTENZIONE CONDIZIONALE: SENSORI CONNESSI AL CMMS La piattaforma permette di connettere i sensori al CMMS e di generare al armi e
registrazioni di misure/contatori in tempo reale. Attraverso l''utilizzo delle funzionalità « eventi su impianti » e piani preventivi il
cliente può diminuire il numero di ispezioni diagnostiche assicurando una
supervisione e gestione degli impianti da remoto. Inoltre la piattaforma fornisce delle curve di tendenza derivate per certe misure
permettendo anche la comunicazione anticipata di un malfunzionamento / anomalia
(decentramento del nastro e surriscaldamento del motore tra x ore) 28 APPRENDIMENTO E AUTODIAGNOSTICA : CONTESTUALIZZAZIONE La piattaforma è in grado di realizzare un''autodiagnostica dello stato dell''impianto tramite
auto apprendimento
combinando i metadati del processo di training /esperienza (file excel), i dati
raccolti dai sensori e quel i presenti nel CMMS.
Ciascun rilievo dal campo viene contestualizzato raccogliendo i dati del contesto e ottenendo
l''informazione reale : - misura letta
- caratteristiche dello strumento di misura e natura della misura
- stato di funzionamento (processo di training o dati dal CMMS CARL Source)
- indice di attendibilità della misura (rilievo di anomalie)
- tempo (nanosecondo)
- spazio (geolocalizzazione) Meno dell'' 1% d''errore 29 HYPERVISION : ESEMPIO 30 HYPERVISION: IN CARLSOURCE 31 32 APPRENDIMENTO E AUTODIAGNOSTICA: PRATICA E RISULTATI Tecniche di apprendimento: Random forests (DRF), Extremely Randomized Trees (XRT) e Gradient Boosting convertiti
in grafici e alberi di decisione a gradiente 33 APPRENDIMENTO E AUTODIAGNOSTICA : « SUPER LEARNER » Tecniche di apprendimento eseguite separatamente: DRF, XRT,
GBM, GLM, DeepLearning et XGBoost. Al a fine dell''apprendimento eseguiamo un algoritmo di meta
apprendimento (« Super Learner »).
Il principio del Super Learner è di non partire da alcuna ipotesi
ma da una libreraria la più ricca possibile di modelli
parametrici e non parametrici.
L''algoritmo determina dunque a partire dai dati, utilizzando
una validazione incrociata e una funzione di perdita (quale
essa sia)
, quale modello utilizzare ottimale dalla libreria per
modellizzare i dati.


In evidenza

SAP Italia
Trova il percorso di trasformazione digitale per la tua impresa: scarica gratis la survey SAP e IDC
2G Italia
Cogenerazione e trigenerazione dal leader tecnologico mondiale
Edison
Scopri le novità normative sull'ETS. Partecipa ai nostri seminari.

Articoli correlati

© Eiom - All rights Reserved     P.IVA 00850640186