Predictive Maintenance

Con AI e Functional Data Analysis, Moxoff ottimizza la predictive maintenance

Moxoff presenta un modello di manutenzione predittiva che grazie ad algoritmi di “anomaly detection” riesce a prevedere l’insorgenza di un guasto, consentendo di organizzare in maniera più efficiente logistica dei tecnici e approvvigionamento pezzi di ricambio, e di incrementare la proattività del Service verso i clienti

Pubblicato il 21 Set 2020

shutterstock_569384257

I dati raccolti dai sensori degli elettrodomestici connessi vengono trasferiti in cloud e salvati nel Data Lake aziendale dove gli algoritmi sviluppati da Moxoff li analizzano, per monitorare in tempo reale lo stato di funzionamento e riconoscere pattern di degrado, precursori di malfunzionamenti e guasti. Per l’analisi dei dati è stata sviluppata una pipeline automatizzata che sfrutta un Cluster Apache Spark per le prime fasi di pre-processing dei dati in combinazione con algoritmi avanzati di analisi codificati in R che implementano un modello di Machine learning supervisionato per la previsione della Remaining Useful Life (RUL) della macchina.

Qui trovate la descrizione dettagliata del progetto.

Analisi dati e algoritmi intelligenti per prevedere l’insorgenza di un guasto

Attraverso tecniche di Functional Data Analysis è stato possibile applicare avanzati algoritmi di “anomaly detection” sulle curve dei sensori per identificare comportamenti anomali, possibili precursori di un guasto, tramite la rilevazione di valori di picco e scostamenti rispetto al tracciato “ideale” del sensore. La Functional Data Analysis ha permesso di automatizzare la definizione dei tracciati ideali operando in maniera data-driven a partire da misurazioni effettuate su macchine sane.

Ciò ha eliminato la necessità di effettuare manualmente il tagging dei dati o la definizione del comportamento ideale e ha reso l’algoritmo molto flessibile e adattabile a prodotti che possono presentare caratteristiche di funzionamento differenti. L’algoritmo è in grado di prevedere con sufficiente anticipo, più del 50% dei guasti mantenendo il numero di falsi warning sotto il 10%. E oltre a segnalare l’insorgenza di una rottura, ne indica la tipologia.

La dashboard sviluppata offre la visualizzazione delle macchine per le quali è stato previsto un guasto imminente e un’ispezione più approfondita dei dati attraverso viste dedicate in grado di fornire informazioni utili per chi deve pianificare gli interventi di manutenzione. Il Service è l’ambito che può beneficiare maggiormente dell’utilizzo di queste informazioni. Il dipartimento di Product marketing potrebbe sviluppare nuove funzionalità dei prodotti ritagliate sul loro reale utilizzo da parte dell’utente finale. Sul fronte della Supply chain, lo strumento può consentire di migliorare la pianificazione dell’approvvigionamento dei pezzi di ricambio.

Immagine fornita da Shutterstock.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 5