Il Machine Learning a supporto della diagnostica

Introduzione

La crescente sensorizzazione dei macchinari industriali e la disponibilità di dati estratti real time, frutto della diffusione dei paradigmi dell’Industria 4.0, associati all’incremento delle capacità computazionali dei moderni PC, hanno favorito le attività di ricerca & sviluppo della manutenzione predittiva.

In particolare, la possibilità di raccogliere dati- macchina in maniera continua e strutturata, unita alla possibilità di analizzare set di dati di dimensioni sempre maggiori senza un eccessivo dispendio in termini di risorse e di tempo, sta spingendo le aziende a riconsiderare le loro politiche manutentive trasformandole, da politiche a guasto, preventive, o condition-based, in politiche di tipo predittivo.

Nel contesto attuale, dove il processo produttivo è sempre più legato alle performance delle macchine più che a quelle degli operatori, una corretta gestione degli asset (e quindi una corretta programmazione delle politiche manutentive) si traduce in un incremento di efficienza di tutto il sistema produttivo, con effetti visibili sia in termini di performance produttive che di costi da sostenere per la manutenzione.

Massimizzando la disponibilità impiantistica è infatti possibile aumentarne la capacità produttiva, ridurne il downtime e, di conseguenza, ridurre i costi da sostenere in termini di interventi manutentivi e acquisto di parti di ricambio.

L’adozione di politiche di manutenzione predittiva si traduce in differenti benefici: è possibile sfruttare tutta la vita utile di un bene, viene effettuato l’intervento solo quando è necessario, è possibile programmare l’approvvigionamento dei ricambi e contestualmente pianificare gli interventi in accordo con quelle che sono le necessità legate ai piani produttivi. È inoltre opportuno sottolineare come una raccolta dati strutturata non solo rappresenti un passo necessario per riuscire a sviluppare tecniche di manutenzione predittiva, ma costituisca anche uno strumento per migliorare le politiche di manutenzione preventiva attualmente svolte. Infatti, sebbene la manutenzione predittiva sia basata sull’analisi approfondita dei segnali raccolti, la manutenzione preventiva può comunque trarre beneficio dalla raccolta dati, visto che anche un’analisi non troppo approfondita può essere utile per modificare alcuni indicatori di interesse e, di conseguenza, migliorare i classici piani di manutenzione ciclica.

Tuttavia il passaggio da una politica di manutenzione a guasto o preventiva ad una di tipo predittivo non è immediato. Se da un lato la rilevazione di dati e segnali dal campo è facilitata dalla presenza sempre più pervasiva di sensori a bordo macchina, dall’altro occorre sviluppare l’intelligenza in grado di elaborare tali valori e di estrarre il contenuto informativo che permetta di inferire l’effettivo stato di funzionamento della macchina e dei suoi componenti. A tal riguardo il Machine Learning rappresenta uno degli strumenti computazionali impiegabili per sviluppare l’intelligenza in grado di implementare la manutenzione predittiva.

Il Machine Learning

Il Machine Learning è definito come una procedura che, attraverso l’implementazione di tecniche automatiche che associano gli eventi e i loro effetti, permette di fare previsioni accurate sulla base di un database di osservazioni campionarie.

A seconda del tipo di dati in input, è possibile selezionare diversi tipi di algoritmi di Machine Learning per eseguire le proprie analisi. In particolare, si possono identificare 2 approcci principali: supervisionato e non-supervisionato.

L’approccio supervisionato (Figura 1) richiede di utilizzare un set di dati per “educare”/”allenare” (o fare training) l’algoritmo. I dati forniti in input all’algoritmo nella fase di training devono avere degli identificativi che permettono all’algoritmo di imparare a classificare o prevederela natura dei dati nella maniera corretta. Il risultato dell’applicazione di un algoritmo di Machine Learning può essere una previsione (ovvero un valore numerico) oppure una classificazione (ovvero un’etichetta di classe dell’oggetto in input).

Da ciò si deduce che l’apprendimento supervisionato può essere implementato principalmente utilizzando due diverse tecniche: classificazione e regressione. In generale, le regressioni sono un metodo valido e utile quando è necessaria una stima della variabile continua, mentre la classificazione è preferibile per quelle discrete.

Al contrario, l’apprendimento non supervisionato (Figura 2) di solito si riferisce ad un approccio di apprendimento che utilizza in input data senza etichette. Il suo scopo è quello di creare una rappresentazione dei dati di input che può essere utilizzata per la classificazione, la compressione e il processo decisionale.

Un progetto per l’implementazione della manutenzione predittiva

Nel contesto del progetto Proactive Maintenance and rEal Time monitoring for Efficiency & Ø defect (PROMETEØ) è stato fatto un primo passo verso l’implementazione di politiche di manutenzione predittiva.

In particolare, sono state utilizzate delle tecniche di Machine Learning con l’obiettivo di classificare lo stato di funzionamento di una macchinabilanciatrice automatica per l’equilibratura di indotti di motori elettrici ed identificare eventuali problematiche.

La metodologia seguita nel progetto PROMETEØ si può dividere in due macro-fasi:

• Applicazione della metodologia FMECA per identificare i componenticritici
• Raccolta dati e applicazione delle tecniche di Machine Learning

Sulla base dei risultati ottenuti dall’analisi FMECA sono stati identificati i componenti critici da monitorare per applicare le tecniche di Machine Learning.

L’analisi ha richiesto le seguenti fasi:

• Raccolta dati
• Pre-processamento dei dati
• Selezione degli algoritmi di analisi
• Analisi dei dati
• Confronto dei risultati e selezione dell’algoritmo migliore

La fase di raccolta di dati relativi all’assorbimento di potenza e di corrente della macchina bilanciatrice ha richiesto la modifica del tensionamento della cinghia in esame. Per ogni valore di tensione sono state effettuate diverse misurazioni, ottenendo così un campione soddisfacente. Conoscendo la tensione ideale della cinghia è stato possibile definire i profili ideali di assorbimento di potenza e corrente e, di conseguenza, individuare i profili di funzionamento non idonei. Vista la poca differenza tra i profili dei dati di corrente si è deciso di usare per l’analisi solo i dati riguardanti la potenza assorbita.

Successivamente, si è proceduto con il pre-processamento dei dati, in modo da prepararli all’analisi vera e propria. In particolare, dal pre-processamento sono state estratte una serie di caratteristiche (o features), poi usate nella fase di analisi dei dati. Prima dell’analisi dei dati, si è proceduto con una selezione delle features precedentemente identificate, in modo da considerare solo le più significative e rendere l’analisi più solida.

Date le caratteristiche dei dati a disposizione, sono stati individuati 4 algoritmi di Machine Learning per l’analisi. Questi sono:

• K-Nearest Neighbour
• Discriminant Analysis
• Neural Network
• Multinomial Logistic Regression

La scelta di questi algoritmi è stata guidata dall’idea di effettuare un confronto tra algoritmi di analisi più “classici” (Multinomial Logistic Regression) e algoritmi più “innovativi” (Neural Networks).

Tramite l’utilizzo del toolbox “Statistics and Machine Learning toolbox™” del sofware Matlab®, i 4 algoritmi sono stati usati per analizzare i dati raccolti ed i risultati sono stati confrontati sulla base del tempo richiesto per la fase di training e l’accuratezza delle previsioni (accuracy).

Come dimostra la Figura 3, l’algoritmo Multinomial Logistic Regression è quello che richiede meno tempo per la fase di training mentre gli algoritmi K-Nearest Neigbour e Neural Network sono i modelli con la più alta precisione di carattere previsionale. Benché non sia il più veloce, l’algoritmo Neural Network ha ottenuto una notevole velocità nella fase di training. Per questo motivo, considerando entrambi i parametri, è stato possibile stabilire che l’algoritmo Neural

Network è quello che ha ottenuto i risultati migliori nel complesso. In tutti i casi analizzati occorre specificare che, seppur i tempi di training risultano essere molto contenuti, occorre effettuare una fase di pre-processing dei dati che non è ancora “automatizzata” e richiede un effort significativo. Di fatto il pre processamento dei dati richiede di identificare le variabili di interesse, pulire i dati estratti e effettuare delle analisi rispetto al set di variabilipiù significativo. Tale fasi richiedono giorni/ settimane di lavoro a seconda della tipologia di dati che vengono raccolti e dell’analisi che si vuole effettuare.

Conclusioni

Il caso di studio ha dimostrato la bontà dell’utilizzo di tecniche di Machine Learning nel contesto della manutenzione predittiva. In particolare, nel caso in esame ci si è concentrati sull’identificazione dello stato di funzionamento della macchina bilanciatrice, ottenendo quindi come risultato l’identificazione di eventuali guasti o problematiche a partire dall’analisi dell’assorbimentodi potenza durante la lavorazione.

L’evidenza che emerge dal lavoro presentato è la necessità di dover effettuare uno sforzo sia in termini di sviluppo dei modelli di diagnostica che di test delle varie tecniche a disposizione per condurre un’analisi ottimale. Se da un lato gli strumenti e le tecniche algoritmiche a disposizione sono molteplici così come diffusa è la possibilità di estrarre segnali e dati real-time dalle macchine, risulta altrettanto importante sottolineare come lo sviluppo della manutenzione predittiva sia un’attività che richiede adeguate competenze sia da parte degli sviluppatori sia da parte degli utilizzatori finali.