DATA DI NASCITA DEL PROGETTO

2019

TEAM DEL PROGETTO

Giuliano Fabris Project Manager
Jonni Malacarne CEO
Federico Lucca CTO
Paolo Boldrini Full Stack Engineer
Xavi Torné Senior R&D Engineer
Hyunho Mo Data Scientist
Franco Conci Front End Developer
Thomas De Min Junior Developer

PARTNER

—

BREVE DESCRIZIONE DEL PROGETTO

Il progetto prevede l’impiego di tecniche di analisi predittiva applicata alla sensoristica presente su macchinari industriali e consumer finalizzate alla stima in real time della vita utile rimanente dei componenti.

DESCRIZIONE DETTAGLIATA DEL PROGETTO

Il progetto che vorremmo sottoporre a IoThingsAward è una soluzione tecnologica che permette di realizzare la Manutenzione Predittiva.
Negli ultimi anni sempre più aziende, in particolare industrie, stanno approfondendo questo tema per passare da un approccio tradizionale con Manutenzione Preventiva o Manutenzione “A guasto” ad un approccio Data Driven.
La disponibilità di dati e di sensori sta rendendo sempre più rapido questo passaggio mettendo a disposizione delle aziende gli strumenti per il monitoraggio e l’eventuale analisi predittiva sui dati.
In questo ambito si colloca il prodotto Manutenzione Predittiva di BlueTensor che può essere applicato sia su macchinari industriali che dispositivi elettronici.
Il sistema va a stimare in tempo reale il tempo di vita utile rimanente (RUL) dei componenti impiegati nei sistema monitorato. Questo permette di impostare delle soglie di tolleranza e di intervenire prima dei guasti.
Esistono due casi d’uso per questa soluzione: l’adozione della tecnologia da parte dei produttori (per inserirla sui prodotti garantendo miglior servizio e assistenza) e l’implementazione della Manutenzione Predittiva da parte degli utilizzatori dei macchinari (per garantire l’uptime dei propri sistemi integrando i diversi aspetti coinvolti della specifica realtà aziendale).
Un progetto di manutenzione predittiva di successo parte dall’analisi dei dati del cliente. I Data Scientist Bluetensor, attraverso una metodologia consolidata, individuano la correlazione tra guasti e i dati guidando l’azienda nella raccolta delle informazioni necessarie per poi procedere con le fasi successive del progetto (data preparation, sviluppo algoritmi, training del modello di IA, test e validazione).
Nell’ambito della Manutenzione Predittiva, BlueTensor vanta pubblicazioni scientifiche e collaborazioni con il mondo accademico. Queste attività di R&D sono state messe a terra nell’implementazione di Reti Neurali Convoluzionali con algoritmi Long Short Term Memory dalle elevate performance sulla previsione della vita utile rimanente di macchinari e componenti.
Al fine di velocizzare il processo di digitalizzazione delle aziende, il prodotto integra delle funzionalità di Natural Language Processing che lo abilitano ad attingere informazioni di valore anche da dati testuali non strutturati, come i rapportini di intervento tecnico, log di sistema, e quindi agevolare l’adozione dei modelli predittivi da parte delle aziende.
In modo analogo, dati non strutturati presenti nelle immagini, possono essere digitalizzati (es. schemi elettrici, foto e video impianti, ecc…) tramite tecniche di Computer Vision per migliorare i risultati dell’Intelligenza Artificiale.
Una volta addestrato il modello di Intelligenza Artificiale ed automatizzato il processo di acquisizione dati, il sistema è in grado di indicare in tempo reale il RUL di componenti e macchinari, integrandosi nell’operatività aziendale tramite opportune notifiche e alert.

ELEMENTI DI INNOVAZIONE

L’analisi predittiva applicata alla manutenzione è un tema relativamente nuovo e di per sé rappresenta un primo elemento di innovazione. La disponibilità di dati e sensoristica rende sempre più accessibile questo tipo di approccio.
Il progetto proposto è particolarmente innovativo perché utilizza algoritmi allo stato dell’arte per raggiungere un elevato grado di affidabilità.
Oltre agli algoritmi predittivi, la possibilità di estrarre informazioni dai dati a disposizione tramite Computer Vision (applicata alle immagini) e Natural Language Processing (applicata a testi, quali rapportini di intervento e altri dati non strutturati) rappresenta un’ulteriore novità in questo ambito.

CUSTOMER NEEDS

La necessità delle aziende di essere sempre più competitive ha reso necessaria l’adozione della tecnologia in tutti gli ambiti, tra cui quello della manutenzione. Che si tratti di impianti di produzione o di prodotti destinati ai clienti, poter prevedere la necessità di interventi tecnici o riuscire ad anticipare con meccanismi preventivi il verificarsi di criticità è un elemento chiave per restare al passo.
Grazie alla manutenzione predittiva le aziende possono: ridurre il downtime di produzione o dei prodotti offerti, migliorare il servizio di assistenza e ottimizzare le risorse grazie ad una migliore visibilità e pianificazione di parti di ricambio e interventi.

BUSINESS MODEL

Il progetto ha dei costi di integrazione che vanno valutati di volta in volta in funzione dal problema/macchinario da indirizzare. L’applicazione Manutenzione Predittiva può essere acquistata in modalità Saas o On Premise.
Eventuali personalizzazioni verranno valutate sulla base dell’effort necessario.
Bluetensor è disponibile, qualora fosse necessario, a fare uno studio di fattibilità preliminare, al fine di garantire il successo del progetto e la bontà dei risultati.

SCALABILITY & REPLICABILITY

La soluzione è scalabile e permette senza effort aggiuntivi di monitorare nuovi macchinari e device dopo il training iniziale.
Riguardo al training iniziale, gli algoritmi implementati possono essere adattati alla specifica applicazione da gestire. A seconda del problema, andranno selezionati gli opportuni dati/sensori da dare in pasto agli algoritmi (unitamente allo storico di guasti) per generare un modello di Intelligenza Artificiale su misura.
Completato l’addestramento del modello per un sottoinsieme di macchinari, il sistema sarà in grado di scalare su N macchinari senza interventi aggiuntivi.

SVILUPPO SOSTENIBILE

La soluzione contribuisce allo sviluppo sostenibile permettendo di razionalizzare le risorse. Gli interventi di manutenzione possono essere effettuati in modo consapevole sulle effettive necessità e non necessariamente ad intervalli programmati. Prevedere il fine vita dei componenti permette inoltre di ottimizzare gli interventi, combinando eventuali uscite dei tecnici per più attività.
La corretta manutenzione degli impianti (industriali, elettrici, meccanici) permette inoltre anche di ridurre i consumi energetici e di evitare onerosi disservizi e conseguenti inefficienze per tutta la filiera.