Con il termine augmented intelligence si identifica un nuovo approccio gestionale che utilizza in modo sinergico i dati provenienti dalla Industrial Internet of Things (IIoT), le nuove capacità offerte dalla artificial intelligence e le capacità tipiche dell’intelligenza umana. Infatti, l’augmented intelligence sfrutta i punti di forza di ogni elemento sopra citato, ossia la capacità della IIoT di acquisire innumerevoli dati raccolti in real-time, l’abilità della AI di elaborarli rapidamente e l’attitudine umana di riportarli in situazioni complesse, creando i cosiddetti “feedback di apprendimento”. Un esempio paradigmatico dei vantaggi che si possono riscontrare nell’applicazione di strumenti di augmented intelligence nel mondo industriale è quello della manutenzione predittiva. La manutenzione è infatti uno tra i processi fondamentali per le aziende manifatturiere, poiché influenza la qualità della produzione, la durata nel tempo dei macchinari e la sicurezza degli operatori. È un processo complesso, che si basa sulla conoscenza degli impianti e sull’esperienza del personale. Viene tradizionalmente praticata “a guasto” oppure in via “preventiva”. Intervenire “a guasto” significa intervenire “in emergenza”, con perdita di tempo di produzione, possibili danni irreversibili al macchinario, ai prodotti lavorati e potenziali rischi di sicurezza per gli operatori. Per i macchinari più importanti e critici quindi si preferisce operare in modo “preventivo”, basando l’azione su statistiche di guasto dei componenti del macchinario; questo metodo richiede parecchio tempo ed è difficoltoso da mettere a punto poiché necessita di uno storico dati e di un’ampia esperienza non sempre disponibili.
Con l’avvento dell’Industria 4.0 si è iniziato a incrementare in modo significativo la quantità di dati raccolti dai macchinari; tuttavia, questi sono ancora poco fruibili per la manutenzione, poiché sono spesso pensati per la gestione della sola produzione, si presentano come “sparsi” in differenti data lakes e hanno uno storico ridotto. Holonix ha sperimentato il superamento di queste problematiche su diversi casi reali nell’ultimo anno e mezzo, lavorando all’interno del progetto europeo Z-BRE4K (www.z-bre4k.eu – G.A. n. 768869).
Nelle aziende manifatturiere partner si sono abilitati i PLC delle macchine in modo da sfruttare i sensori già presenti al loro interno per acquisire dati che vengono poi inviati al cloud i-Live Machines, tramite un gateway IoT. I dati vengono poi archiviati, elaborati in real-time per una pre-analisi e resi disponibili sia agli operatori che agli algoritmi. La difficoltà iniziale relativa alla scarsità di dati è stata agilmente superata utilizzando differenti AI, eseguite in modo ricorsivo, così da generare un primo auto-addestramento del sistema e renderlo rapidamente fruibile per gli utenti. Una volta addestrate, infatti, le AI elaborano in real-time i dati in modo da interpretare i segnali deboli provenienti da multipli sensori, generando in questo modo allarmi di prognostica e di diagnostica della macchina, allertando di un possibile guasto incipiente, fornendo una stima del tempo rimanente prima del guasto e suggerendo la componente da sostituire. La competenza dei manutentori è quindi sfruttata per valutare la macchina e individuare il guasto realmente accaduto o incipiente: informazioni usate poi per il continuo addestramento del sistema. L’approccio, testato con successo all’interno del progetto Z-BRE4K, è stato brevettato e apporta numerosi vantaggi: l’apprendimento è rapido e richiede poco tempo per iniziare a fornire i primi risultati utili, il ROI risulta quindi aumentato e si rende l’intero sistema di produzione più redditizio. Tutto questo permette di implementare dei processi di manutenzione predittiva con rapidità e facendo leva sulle conoscenze e competenze uniche dei propri esperti.
Leggi l’articolo pubblicato sulla rivista Data Manager online: clicca qui