La piattaforma flessibile Azure AI mette a disposizione un ampio portfolio di strumenti per l'intelligenza artificiale, che permette di creare applicazioni intelligenti di nuova generazione per molteplici casi d’uso e in particolare nell’ambito della manutenzione predittiva per anticipare gli errori, guasti e fermi macchina.
Per le aziende è essenziale che le apparecchiature critiche più costose (dalle turbine ai sistemi di raffreddamento industriali), ma anche gli strumenti di utilizzo quotidiano (come fotocopiatrici o distributori dell’acqua) funzionino in maniera efficiente per realizzare il massimo ritorno sul capitale investito ed evitare disservizi e periodi di inattività.
Modelli di manutenzione tradizionale
La maggioranza delle aziende si affida alla manutenzione correttiva, in cui le parti vengono sostituite solo in caso di guasto già avvenuto. Se da un lato l’intervento correttivo garantisce il massimo sfruttamento delle componenti prima della riparazione o sostituzione, dall’altro fa aumentare la frequenza e la durata dei downtime (a danno dell’efficienza operativa e della customer satisfaction), oltre a richiedere costi aggiuntivi per l’urgenza della riparazione (per esempio, aumentano le spese della manodopera perché i tecnici vengono chiamati a operare fuori dall’orario di lavoro o in posti difficili da raggiungere).
Alcune aziende, invece, applicano un modello preventivo di manutenzione, che calcola il ciclo di vita utile per ogni componente e permette una pianificazione degli interventi prima che si verifichino guasti potenziali. Se il rischio di fermi indesiderati si abbassa considerevolmente, è evidente che la manutenzione preventiva non consente di sfruttare appieno il ciclo di vita degli asset.
Azure AI per la manutenzione predittiva
L’obiettivo della manutenzione predittiva, invece, è garantire l’intervento just-in-time sui componenti, bilanciando i benefici dell’approccio correttivo e preventivo. Le parti infatti vengono riparate o sostituite solo quando sta per verificarsi un guasto. L’intervento quindi non viene preventivato tenendo in considerazione esclusivamente storico e regole statistiche, ma secondo l’effettivo stato di salute delle macchine e il sopraggiungere di eventuali anomalie che vengono costantemente monitorati tramite sensori IoT. Grazie ad Azure AI è appunto possibile mettere a punto soluzioni di manutenzione predittiva che consentono la raccolta e l’elaborazione di dati che provengono dagli smart object (ovvero da qualsiasi macchina o dispositivo dotato di sensore che può connettersi alla rete), che risiedono nel cloud o in locale, dentro e fuori il perimetro dell’azienda.
La piattaforma di Microsoft mette a disposizione una serie di servizi e strumenti di intelligenza artificiale predefiniti, ma anche tutta una vasta serie di soluzioni personalizzabili per il Machine Learning e il Deep Learning. La flessibilità infatti è una delle caratteristiche chiave della suite cloud di Azure, sia per la varietà di tool disponibili sia per le opzioni di deployment: la distribuzione di modelli basata su contenitori consente di eseguire l'intelligenza artificiale ovunque sia possibile fare girare un contenitore Docker, sulla nuvola di Microsoft oppure nei server aziendali o direttamente nei dispositivi intelligenti. Anche le possibilità di sviluppo sono aperte: i Servizi cognitivi messi a disposizione si prestano a essere utilizzati da app scritte in qualsiasi linguaggio e sfruttano anche i framework più recenti, per esempio Tensorflow, MXNet, Chainer o CNTK.
Come implementare la manutenzione predittiva
Se Azure AI fornisce un potente motore per la progettazione e l’implementazione di soluzioni di manutenzione predittiva, che permette di automatizzare le operazioni time-consuming, velocizzare la distribuzione delle app ed eliminare gli errori grazie ai modelli di intelligenza artificiale pre validati, non bisogna tralasciare l’importanza di una solida strategia alla base. Il primo passo per introdurre in azienda la manutenzione predittiva è la scelta dei Kpi da tenere monitorati e la preparazione dei dati, ovvero la loro pulizia e inserimento a sistema. I dati tipicamente utilizzati in soluzioni di manutenzione predittiva sono: informazioni sul macchinario (come le dimensioni il produttore o il modello); dati di telemetria rilevati dai sensori (per esempio, temperatura, pressione o velocità operativa); cronologia dei guasti e degli interventi. Identificati i dati e i parametri per le analisi, si passa quindi alla definizione dei modelli statistici e predittivi per l’identificazione a priori di possibili malfunzionamenti, che vanno poi sottoposti a continua verifica e auto correzione grazie ai meccanismi di machine learning.
Dopo avere identificato l’algoritmo corretto e contemplato le varianti più efficaci, l’ultimo step riguarda la distribuzione del modello come servizio Web verso le applicazioni line-of-business e i software di analisi. I dati di telemetria che necessitano di una raccolta ed elaborazione in tempo reale vengono collezionati da sistemi come Hub eventi di Azure, processati e quindi passati a un servizio Web di modelli predittivi. I risultati dell’analisi vengono visualizzati in una dashboard o inseriti in un meccanismo di avviso che segnala i problemi ai tecnici o al personale di servizio. I dati integrati possono anche essere archiviati e uniti ad altri database, in modo che possano essere utilizzati per la regolazione automatizzata dei modelli dopo averne verificati i livelli di precisione e le possibilità di miglioramento. Nei nuovi scenari Internet delle cose (IoT), tra le applicazioni di frontiera, si sta facendo strada il paradigma dell’edge computing per cui i modelli di intelligenza artificiale vengono distribuiti direttamente nei dispositivi perimetrali, in modo che una prima elaborazione possa essere eseguita il più vicino possibile al punto in cui è stato generato il dato, a livello di tempo e di spazio.
Il campo della manutenzione predittiva, alimentato dai progressi dell’intelligenza artificiale, è destinato comunque ad aprire nuove interessanti opportunità sia a livello di vantaggi per le aziende (guadagno di efficienza, riduzione di fermi e costi, soddisfazione e fidelizzazione del cliente, generazione di risparmi e profitti ecc.) sia di evoluzione tecnologia: Azure Ai si rivela tra le opzioni ottimali per stare al passo con i tempi e cogliere tutti i benefici derivanti da una corretta applicazione della big data analytics e del cognitive computing.
