Nuovi modelli e servizi di manutenzione preventiva e … digitali...un’architettura di...
Transcript of Nuovi modelli e servizi di manutenzione preventiva e … digitali...un’architettura di...
Nuovi modelli e servizi di manutenzione preventiva e predittiva tramite IoT e Big Data Analytics
Fabio Massimo Marchetti – [email protected]
Parte I
• IoT, Digital Twin e Big Data• Manutenzione: concetti base• Analisi dell’efficienza e principali KPI di
funzionamento• Approccio alle analisi predittive• Predictive: esempi applicativi
Parte I
IoT, Digital Twin e Big Data
Trend tecnologici nel mondo dell’industria• Internet: la comunicazione IP si estende anche a livello dell’integrazione
dei sensori nel mondo industriale.
• Virtualizzazione delle applicazioni.
• Elettroniche con potenza di calcolo sempre più elevate in dimensioni
sempre più ridotte.
• Diffusione connessioni wireless : stabili, veloci, sicure, versatili e ovunque
(WiFi, Lora, NBIoT,3G,4G,…5G).
Trend tecnologici nel mondo dell’industria
Trend tecnologici nel mondo dell’industria
Industrial Digital Transofrmation: un megatrend
Tutti i settori dell’economia, finanza, pubblica amministrazione,
commercio e Industria, saranno sempre più governati da
strumenti tecnologici digitali.
La complessità e il volume dei dati sono in continuo aumento.
Dalle architetture gerarchiche alle architetture collaborative:
• I dispositivi di monitoraggio pubblicano informazioni su se stessi ed accedono a dati prodotti da altri.
Le loro applicazioni sottoscrivono un servizio di notifica del cambiamento delle informazioni.
• Auto-configurabilità dei dispositivi.
• Auto-provisioning: la possibilità di distribuire un sistema informatico o un servizio di
telecomunicazione mediante procedure predefinite che non richiedono l’intervento umano.
Attraverso l’IoT si ottiene quindi:
• Ottimizzazione delle infrastrutture
• Disponibilità condivisa di una grande quantità di informazioni
• Spostamento del focus sulle funzioni applicative
Internet of Things: il nuovo paradigma
Il cloud e soprattutto lepiattaforme IoT rendono oggidisponibili a tutte le aziendeapplicazioni e tecnologie una voltaappannaggio esclusivo delle«grandi» creando un fenomeno di«democratizzazione» dellatecnologia.
(fonte della figura: McKinsey&Company)
La democratizzazione della tecnologia
IoT Platform: l’era dei microservizi (API technologies)
Data & Analytics
Application Server on Cloud
OpenStack VMs
Docker Containers
Cloud Foundry Runtimes
(D,L)
API Connect
Service Broker
Secure Gateway (D)
Service Proxy
Service Discovery
CDN
Block Storage
Object Storage
User Defined Services
Presence Insights
Mobile Data
Mobile Client Access
IBM Push Notifications
Mobile Quality Assurance
Mobile Application Security
Key Protect
Single Sign-On
Network Security Groups for
VMs
Application Security on
Cloud
Workflow
Big Insights
Data Cache (D,L)
Session Cache (D,L)
MQ Light
Business Rules
User Defined APIs
IoT Foundation (D)
IoT Real Time Insights
Message Hub
Workflow Scheduler
Compute
CDN & Media
Security
IOT
Application
MobileStorage
Private APIs
Analytics for Apache Hadoop
dashDB (D)
BigInsights for Apache Hadoop
DataWorks, DataWorks Lift
Cloudant NoSQL DB (D)
Elasticsearch by Compose
Apache Spark
Geospatial Analytics
IBM DB2 on Cloud
Predictive Analytics
MongoDB by Compose
Redis by Compose
PostgreSQL by Compose
SQL Database
Insights for Weather
Streaming Analytics
Time Series Database
Embeddable Reporting
AlchemyAPI
Language Translation
Concept Insights, Dialog
Personality Insights
Natural Language Classifier
Concept Expansion
Relationship Extraction
Retrieve and Rank
Text to Speech
Visual Recognition
Speech To Text
Active Deploy
Delivery Pipeline
Watson
DevOps
Trade Off Analytics
Tracking and Plan GIT
Monitoring and Analytics
Insights for Twitter
IBM Graph
Mobile Application Content Manager
Load Balancer for
Containers
Networking
VPN
Document Conversion
Globalization Pipeline
Alert Notification
Auto-Scaling (D,L)
Tone Analyzer
Analytics Exchange
Compose Enterprise
Blockchain
IoT Driver Insights
IoT Map Insights
Vulnerability Advisor for
Containers
Integrate
Message Connect
Application Security Manager
IoT Platform: l’era dei microservizi (API technologies)
Le piattaforme rendono disponibili una elevata quantità di micro servizi spostando il focus dal «scrivere» applicazioni a quello di costruire un’architettura di microservizi interconnessi dai flussi dati creatisi.
Internet of Things: le componenti
L’ elaborazione del dato si sposta vicino al device che lo ha generato creando un layer di ottimizzazione, contestualizzazione, aggregazione delle informazioni in modo da ridurre le necessità di comunicazioni e di storage a livello cloud.
Internet of Things: il «cloud» scende in campo con l’«edge»
Il gateway locale adotta un framework che permette di portare in campo un primo livello di
«stream analytics» che permettono di aggregare, contestualizzare e normalizzare i dati
e generare degli eventi in funzione di semplici regole applicate ai dati stessi.
EMPLC
EQUIP 1
PLC EMPLC
EQUIP ...
EM
IoT Gateway
EQUIP 2
PLC
EQUIP N
IoT Platforms
Una architettura IoT con layer «edge»
Un approccio 4.0 per definizione è un approccio cross dipartimentale che genera un quantità elevatissima di informazioni (Big Data) che
aggregate ad altre informazioni generate da universi paralleli di «cose» permettono di costruire analytics sempre più articolate ed effettive. EM
IOF PMSWeb Client
IOF PMS
Gestione, assegnazione, stato ordini e avanzamento produzione
KPI perfomances
Genealogia e tracciabilità
PLC
EQUIP 1
PLC EMPLC
EQUIP ...
EM
IOF Line Contoller
IOF Line HMI
EQUIP 2
ERP
Modellazione linee e processo
Gestione ordini di produzione
Tracking e genealogia
Sinottici di stato della linea
Gestione diagnostica e allarmi
Giustificazione causali non automatiche
Perfomance e KPI
An
agra
f.
Ord
ini
(lis
ta) D
ati Prod
.
Ordini per linea+ dati associati all ordine
Dati RT + Dati produzione
Stati/allarmiDati per operatore
Ordine manuale, dati da operatore per funzioni accessorie
Gestione dispositivi
ReportisticaKPI in tempo reale
PLC
EQUIP N
IoT Platforms
Dall’ Internet of Things alle architetture ibride
• Gemello digitale del Prodotto
• Gemello digitale della Produzione
• Gemello digitale delle Prestazioni
Digital Twin
Gemello Digitale
IndustrialDigitalTwins
L’era del digital twin
DATA INTEGRATION
PLM
IOT
CMMS
MES
Dall’ Internet of Things alle architetture integrate
Si parla di big data quando si ha un data set talmente grande da richiedere strumenti non convenzionali per estrapolare, gestire e processare informazioni entro un tempo ragionevole.
Analytics is the discovery, interpretation, and communication of meaningful patterns in data. Especially valuable in areas rich with recorded information, analytics relies on the simultaneous application of statistics, computer programming and operations research to quantify performance.Specifically, areas within analytics include predictive analytics, prescriptive analytics, enterprise decision management, retail analytics, store assortment and stock-keeping unit optimization, marketing optimization and marketing mix modeling, web analytics, sales force sizing and optimization, price and promotion modeling, predictive science, credit risk analysis, and fraud analytics. Since analytics can require extensive computation (see big data), the algorithms and software used for analytics harness the most current methods in computer science, statistics, and mathematics.
(fonte: Wikipedia)
Big Data e Analytics: definizioni
La business intelligence utilizza la statistica descrittiva con dati ad alta densità di informazione per misurare cose, rilevare tendenze, ecc., utilizza cioè dataset limitati, dati puliti e modelli semplici.
I big data utilizzano la statistica inferenziale e concetti di identificazione di sistemi non lineari per dedurre leggi (regressioni, relazioni non lineari ed effetti causali) da grandi insiemi di dati, e per rivelare rapporti e dipendenze ed effettuare previsioni di risultati e comportamenti, in altre parole utilizzano dataset eterogenei (non correlati tra loro), dati raw e modelli predittivi complessi.
Business Intelligence e Big Data
Analytics e big data …. Quale percorso?
• dati dal campo• eterogeneità macchine /
protocolli• Know how / architetture• Security
• Gestire dati raccolti (qualità , integrazione)
• Architettura dati• Estrazione info• Fruibilità informazioni /
rappresentazione
• Definire modelli sulla analisi dati
• Capire situazioni e fornire indicazioni
• Correlare dati esistenti con altre fonti esterne
• Raffinare progressivamente i modelli
• Miglioramento automatico
• Interazione avanzata con gli utenti
• Interazioni uomo-macchina
Raccolta dati / IoT
Identificare i pattern significativi
Intensificare gli analytics
Introdurre capacità“cognitive”
Parte II
Manutenzione: concetti base
Manutenzione
azioni per mantere un dispositivo/impianto/sistema nelle corrette
condizioni di funzionamento che permettano di garantire l’erogazione
del servizio per cui lo stesso è stato progettato.
Una semplice definizione
• A guasto
Intervento effettuato quando avviene un guasto od una rottura
• Preventiva (PM – Preventive maintenance)
Su base di piano di manutenzione con interventi schedulati (ore,
numero di operazioni, ….)
• In funzione delle condizioni (CBM – Condition Based Maintenance)
In base alle condizioni effettive ed attuali rilevate attraverso
opportuna sensoristica applicata al bene
• Predittiva (PdM – Predictive Maintenance)
Evoluzione della CBM ovvero in base alle condizioni effettive ed a
quelle future previste attraverso l’applicazione di modelli di
previsione specifici.
• Prescrittiva (PrM – Prescriptive Maintenance)
Si prepone di consigliare azioni a beneficio delle predizioni e
mostrarne le relative implicazioni e del perché accadranno.
Modalità di manutenzione
Sviluppo delle modalità manutentive nel tempo
Sviluppo delle modalità manutentive nel tempo
Impatto della manutenzione predittiva
Quale manutenzione?
•Identificazione degli asset, codifica, analisi dei guasti e delle cause di guasto.
Identificazione del livello di criticità delle macchine, analisi dei fattori potenziali e delle
effettive cause di guasto, proposte di interventi proattivi per la manutenzione, ovvero
correttivi. Tracking delle best practice di intervento di manutenzione.
•Definizione del mix ottimale per le politiche manutentive dell'impianto (opzioni non tutte
reciprocamente esclusive): manutenzione preventiva, predittiva, migliorativa, oppure "a
guasto".
•Definizione dell’organizzazione della funzione manutenzione e definizione degli
standard di lavoro. Pianificazione degli standard di lavoro e della turnazione. Definizione
degli assetti di terziarizzazione: scelta dell'assetto di make or buy, scelta e valutazione
dei fornitori, formalizzazione dei capitolati.
•Ingegneria dei materiali tecnici: gestione anagrafica dei part number, standardizzazione
dei materiali, scelta e dimensionamento delle politiche di gestione dei materiali.
•Progettazione congiunta di tecnologia ed organizzazione: diffusione delle procedure
aziendali, predisposizione del sistema informativo di manutenzione, formazione continua
e valutazione del personale di manutenzione.
Parte III
Analisi dell’efficienza e dei principali KPI di funzionamento
Overall Equipment Efficiency ovvero
OEE = Disponibilità * Prestazione * Qualità
Lo strumento che vi aiuta ad ottimizzare l’efficienza ed a pianificare in
modo coerente le attività di manutenzione.
Le macchine
lavorano quando
dovrebbero?Le macchine
lavorano alla velocità
ideale?
Quanto scarto è
stato prodotto?
OEE un importante indicatore
Un modello di riferimento
▪ OEE di una linea non è l’aggregazione degli OEE
di macchina
▪ Gli assetti produttivi possono essere dinamici in
funzione della referenza da produrre
▪ Le singole machine possono essere raggruppate in
gruppi di valutazione delle performance e di
quantità prodotte/scartate (stadio di avanzamento
del prodotto all’interno della linea)
▪ Gli scarti devono essere contestualizzati in
funzione dello stadio di produzione dove vengono
generati
▪ I pezzi buoni prodotti possono essere derivati da
macchine diverse in funzione della referenza in
produzione
Linea vs macchina
▪ MME (Mechanical Machine Efficiency)
▪ MTBF (tempo medio tra due failure)
▪ MTTR (tempo medio di riparazione)
▪ Pareto delle causali di fermata (frequenza e durata)
KPI di elevata importanza per la manutenzione
Parte IV
Il percorso per la definizione del migliore approccio e del migliore modello da
utilizzarsi per le analisi predittive
Un modello descrive il comportamento di un sistema del mondo reale nel corso della sua vita.
Come nei sistemi del mondo reale, un modello rappresenta in genere un comportamento dinamico, che è importante per una predizione di uno stato futuro, o per analizzare lo stato corrente di un sistema del mondo reale
Definizione di modello
Un modello per la predictive maintenance rappresenta come si comporta il sistema al variare di misure/parametri ed analizza e predice possibili failure attraverso la valutazione dinamica dei patterns delle misure/parametri generando opportuni alert per creare task di manutenzione predittiva.
Definizione di modello di predictive maintenance
- Modelli fisiciNormalmente basati su modelli matematici che descrivono in modo esatto il comportamento del Sistema in ambiente “perfetto”
- Modelli basati sulla conoscenzaNormalmente utilizzati quando non sono applicabili modelli matematicio non si hanno molti dati storici o real time es. Fuzzy logic, Expert systems
- Modelli “data driven”Basati sull’analisi dei dati e quindi facilmente applicabili a diversi contesti(Machine learning, Deep Learning)
Tipologie di modelli
(fonte: Machine Learning Approaches for Failure Type Detection and Predictive Maintenance – Technische Universita Darmstadt )
Quale tipo di approccio?
• Creazione del dataset
• Validazione dei dati
• Analisi dei dati
• Scelta degli algoritmi e modelli predittivi da
applicare, creazione dei modelli e loro
applicazione ai dati sia in tempo reale che su
base storica
• Validazione o eventuale affinamento dei
modelli definiti
Data driven model: un percorso di approccio generico
• Identificazione delle variabili da monitorare
• Identificazione della sensoristica o del
sistema di raccolta del dato adeguato
• Creazione di una infrastruttura in grado di
governare l’acquisizione, normalizzazione,
contestualizzazione ed aggregazione dei
dati.
• Creazione di “data lake” non relazionali
Creazione del data set
Data Validation: rilevamento e correzione/rimozione dei dati corrotti o inaccurati (outliers). Normalmente effettuata in due fasi:
• Rimozione delle misurazioni i cui valori non sono inclusi all'interno di un range di accettabilità oppure determinate da condizioni di operatività non standard.
• Applicazione di tecniche di clustering per la rimozione di eventuali altri outliers rimasti dal precedente step.
Al termine di questo processo il dato deve rispettare i requisiti di qualità (validità, accuratezza, completezza, uniformità.)
Data validation
Divisione del data set in:
• Training
• Validation
• Test set
Data analysis per la ricerca di patterns sui data
set acquisiti e/o importati.
Correlazione agli eventi riscontrati o ad altri dati
disponibili da piattaforme terze
(produzione/meteo/maintenance/personale/…)
Data analysis
• SVM (support vector machines): are supervised learningmodels with associated learning algorithms that analyze dataused for classification and regression analysis.
• Random forests or random decision forests: are an ensemblelearning method for classification, regression and other tasks,that operate by constructing a multitude of decision trees attraining time and outputting the class that is the meanprediction (regression) of the individual trees.
• Neural networks: consist of multiple layers and the signal pathtraverses from front to back. Used in low-level machinelearning characterized by knowledge embodied in theparameters of a cognitive model with some dynamical system.
Esempi di algoritmi di analisi da applicare
(fonte: Machine Learning Approaches for Failure Type Detection and Predictive Maintenance – Technische Universita Darmstadt )
Supervised learning
(fonte: Machine Learning Approaches for Failure Type Detection and Predictive Maintenance – Technische Universita Darmstadt )
Unsupervised learning
(fonte: Machine Learning Approaches for Failure Type Detection and Predictive Maintenance – Technische Universita Darmstadt )
Reinforcement learning
Attraverso la verifica dei risultati ottenuti applicando i
modelli predittivi definiti in precedenza viene creato un
ranking correlato (KPI).
Sulla base dei risultati e dei KPI calcolati verrà
identificato il/i modelli di riferimento che meglio si
adattano allo scopo e vengono individuati affinamenti
per migliorarne ulteriormente i risultati.
Al termine dell’attività viene consolidato il modello
predittivo finale risultante dagli affinamenti successivi
effettuati.
Selezione del/i modelli di riferimento
• Analisi predittive sulla qualità del prodotto finito con possibile correlazione ai costi necessari per mantenere tale qualità
• Analisi per l’identificazione delle aree di miglioramento dei prodotti immessi sul mercato
• Analisi e miglioramento delle performance produttive
• Analisi predittive sulla manutenzione degli impianti e dei prodotti tecnologici immessi sul mercato
• Analisi predittive sui consumi e delle necessità energetiche
• Cambiamento del modello di business (performance contract, «pay per use», …..)
• …… altri obiettivi
Advanced e predictive analytics: quali applicazioni?
Parte IV
Predictive: esempi applicativi
Misure per analisi predittive nella manutenzione industriale
Health Score (binary logit model) – supervised learningl modello Health Score si basa sul modello di regressione lineare e misura la probabilità che una risorsa o un processo falliscano. Il modello utilizza dati storici sui difetti, informazioni operative e dati ambientali per determinare l'attuale stato di salute operativa di un asset e monitora costantemente l'asset per prevedere potenziali guasti in tempo reale.
Il valore di health score risultante, generalmente indicato semplicemente come il punteggio di salute, può essere utilizzato anche per prevedere la salute futura dell'asset.
L’ health score è presentato come un numero compreso tra 0 e 1. Maggiore è il numero, più è integro il bene. L’health score complessivo per un intero sito di produzione rappresenta il punteggio medio per ogni singolo bene in un sito.
Se la struttura del modello dei dati di input viene modificata, il modello deve essere riqualificato sui nuovi dati («training»).
Modello di riferimento per la manutenzione predittiva
esempio: architettura a microservizi in ambiente open per il PM
▪ Definizione dei parametri di controllo per tipologia di
device/macchina/impianto monitorato
▪ Definizione del modello di valutazione attraverso data set
esistenti o acquisiti in modo specifico mediante campagne di
monitoraggio
▪ Configurazione degli algoritmi predittivi
▪Monitoraggio in tempo reale ed applicazione degli algoritmi
predittivi
▪ Forecast dei tempi entro i quali dovranno essere eseguite le
attività manutentive
▪ Generazione tasks per interventi manutentivi (integrazione
con CMMS)
esempio: predictive maintenance
Esempio di dashboard con analisi predictive
esempio: architettura a microservizi in ambiente IBM Cloud per PQ
▪ Definizione dei variabili interne ed esterne al processo che
possono contribuire alla qualità del prodotto finito
▪ Definizione del modello di valutazione attraverso data set
esistenti o acquisiti in modo specifico mediante campagne di
monitoraggio
▪ Scelta del modello attraverso un ranking dei modelli applicati
▪ Configurazione degli algoritmi predittivi
▪ Monitoraggio in tempo reale ed applicazione degli algoritmi
predittivi con alert sulla variazione prevista della qualità del
prodotto finito
▪ Simulazione delle variazioni dipendenti dalla regolazione delle
variabili principali con interfaccia operatore interattiva
▪ Generazione di feedback di regolazione delle variabili di
processo controllate
esempio: predictive quality
Un esempio reale
Domande???