Oggi è possibile aumentare la disponibilità degli impianti e degli asset, il loro ciclo di vita e ridurre l’effort delle attività manutentive, grazie al nuovo approccio di predictive maintenance basato sullo sviluppo di modelli di Machine Learning.
Il modello fornisce le informazioni giuste, quando e dove servono, facilitando l’individuazione del momento di rottura degli impianti, consentendo così di programmare la manutenzione necessaria a prevenire i guasti.
Conoscendo quale apparecchiatura ha bisogno di manutenzione, gli interventi possono essere pianificati al meglio riducendo i fermi macchina e ottimizzando il lavoro degli specialisti.
La manutenzione viene così svolta sulla base delle reali condizioni della singola macchina anziché essere pianificata in date fisse, come accadrebbe nel caso della manutenzione programmata.
Per rendete tutto ciò reale, eFM ha progettato una piattaforma Big Data che aggrega dati eterogenei provenienti dall’azienda (telemetrie, eventi allarme/guasto dei BMS e informazioni storiche) e genera modelli di “Predictive Maintenance”.
La piattaforma controlla le telemetrie originarie da ogni singolo asset, e applica, per ogni allarme oggetto di previsione, il relativo modello Machine Learning.
Il Machine Learning analizza i dati per un certo periodo di tempo (T1 – intervallo d telemetria) e restituisce al tempo T0 la previsione di rottura, ovvero uno score, un numero reale compreso nell’intervallo [0,1] che dà un’indicazione della probabilità che tale allarme stia per verificarsi entro l’intervallo di previsione T3. I dati che vengono analizzati provengono dai sensori presenti nell’impianto/asset e tramite un algoritmo sono messi in correlazione con il verificarsi di determinati eventi anomali.
E’ possibile impostare degli automatismi per cui se lo score emerso supera una certa soglia, l’evento al tempo T0 genera l’apertura di un ticket di manutenzione o un contatto diretto con il service provider di riferimento in modo che si possa intervenire nel tempo T2 (intervallo di azione) per ripristinare la situazione e prevenire così la rottura che era stata prevista nel periodo T3.
L’applicazione della manutenzione predittiva permette di migliorare significativamente la disponibilità degli impianti e di diminuire l’effort per ripristinare il buon funzionamento. Un nostro recente progetto applicato alle Unità di Trattamento Aree (UTA) di una struttura immobiliare complessa sta evidenziando risultati interessanti e si stima che:
- la disponibilità degli impianti, calcolata come rapporto tra l’MTBF (Mean Time Between Failure) e la somma tra MTBF e MTTR (Mean Time to Repair), sia aumentata del 5%,
- l’effort, espresso come impegno di ore uomo per eseguire gli interventi di ripristino, sia diminuito di circa il 35%.
Gli ambiti di applicazione di questi modelli sono molteplici, e specialmente in una situazione di mercato non favorevole, possono costituire un fattore critico di successo andando ad agire fortemente sui costi. Contattaci saremo felici di darti maggiori informazioni.
