Manutenzione predittiva

Le tecniche di analisi dei dati e il machine learning, a cui ho dedicato già diversi articoli, hanno molte applicazioni interessanti. Tra queste va per la maggiore la cosiddetta manutenzione predittiva. Scopo di quest’ultima è consentire la programmazione efficiente degli interventi di manutenzione sulle macchine industriali, superando quindi il modello della manutenzione preventiva, che di solito è periodica, e non sempre è necessaria.
Con la manutenzione predittiva, ad esempio, si cerca di stimare con precisione la Remaining Useful Life (Rul) di una macchina o di un componente, cioè il tempo che manca al momento in cui l’oggetto in esame non sarà più utile, perché irreparabilmente danneggiato o consumato. Le principali tecniche di machine learning per la stima del Rul sono di tipo supervisionato. Si cerca cioè di apprendere un modello dell’oggetto in esame avendo a disposizione dati relativi al funzionamento corretto e dati associabili a un degrado delle prestazioni, se non addirittura a funzionamenti errati. Tipicamente si studia l’evoluzione temporale di diverse variabili che caratterizzano la macchina o il componente. È importante avere a disposizione dati che caratterizzano l’evoluzione di tali variabili fino al momento del guasto, altrimenti risulta molto difficile creare un software in grado di riconoscere il deterioramento dell’oggetto in esame. I dati vengono tipicamente acquisiti per mezzo di sensori nativi o installati a posteriori sulla macchina. Algoritmi utilizzati con discreto successo sono quelli di deep learning, come ad esempio le reti neurali convoluzionali (Cnn) e quelle di tipo Long Short-Term Memory (Lstm), di cui esistono molte varianti.