Machine Learning e Predictive Maintenance

Soluzioni per aumentare la disponibilità degli spazi

  • Dicembre 19, 2016
  • 1494 views
  • Figura 1 - Il modello logico su cui si basa la Predictive Maintenance
    Figura 1 - Il modello logico su cui si basa la Predictive Maintenance
  • Figura 2 - Momento di generazione della previsione
    Figura 2 - Momento di generazione della previsione
  • Figura 3 - L’applicazione della manutenzione predittiva permette di migliorare significativamente la disponibilità degli impianti e di diminuire l’effort per ripristinare il buon funzionamento
    Figura 3 - L’applicazione della manutenzione predittiva permette di migliorare significativamente la disponibilità degli impianti e di diminuire l’effort per ripristinare il buon funzionamento

La disponibilità degli spazi negli edifici, ovvero il mantenimento delle corrette condizioni di comfort ambientale per cui uno spazio è progettato, è un elemento di imprescindibile valore ed è l’obiettivo che devono porsi le organizzazioni per sfruttare al massimo i luoghi di lavoro e migliorare l’efficienza e l’efficacia delle attività che in essi vengono svolte.

La corretta manutenzione degli impianti a servizio degli spazi garantisce la disponibilità di questi ultimi; prevenire i guasti e ottimizzare gli interventi di manutenzione programmata, riducendo i tempi di fermo macchina, consente di aumentare la disponibilità degli spazi serviti dagli impianti.

Questo articolo si pone l’obiettivo di mostrare come l’applicazione dei modelli di Machine Learning ai dati provenienti dai sensori associati alle componenti impiantistiche che registrano i parametri funzionali degli asset, sia in grado di abilitare la Manutenzione Predittiva, garantendo un aumento della disponibilità degli spazi serviti dall’impianto grazie alla riduzione dei tempi di fermo macchina.

Ci sono spazi che più di altri necessitano di essere mantenuti nella massima efficienza e efficacia perché garantiscono servizi essenziali alla cittadinanza; tra queste opere quelle ospedaliere sono le più rappresentative di questa categoria.

È proprio su queste tipologie di immobili che la manutenzione predittiva può apportare i maggiori benefici.

All’interno dei complessi ospedalieri, infatti, la disponibilità di alcune strutture quali le sale operatorie costituisce un elemento critico che consente la realizzazione del fine per cui l’opera è stata realizzata.

Gli impianti a servizio di questi complessi sono molteplici, riuscire a mantenerli in efficienza significa anche aumentare la disponibilità del servizio pubblico.

Un impianto di particolare importanza è l’impianto di Ventilazione e Condizionamento a Contaminazione Controllata (VCCC), deputato a garantire le corrette condizioni di temperatura, tasso di umidità, quantità di pulviscolo in sospensione e di tutto ciò che determina il microclima ottimale all’interno del blocco operatorio.

Per incrementare la disponibilità delle sale operatorie, ma anche il ciclo di vita dell’impianto VCCC, è stato realizzato un modello di predictive maintenance basata sul Machine Learning su una delle unità più importanti di cui si compone il sistema VCCC, ovvero l’unità di Trattamento Aria (UTA), l’apparecchiatura che garantisce il trattamento dell’aria agendo sui parametri di temperatura, umidità, velocità e purezza dell’aria immessa all’interno delle sale operatorie.

La “predictive maintenance” è un tipo di manutenzione che viene effettuata a seguito dell'individuazione di uno o più parametri che vengono misurati ed estrapolati utilizzando appropriati modelli matematici allo scopo di individuare il tempo residuo prima del guasto.

L’esistenza di un sistema in grado di collezionare tutte le informazioni relative alle telemetrie provenienti dagli impianti, la significatività delle informazioni rilevate e analizzate e la definizione di algoritmi basati sull’osservazione dei dati, consentono di identificare pattern ricorsivi che definiscono la probabilità con cui un evento potrà accadere nel futuro e di apprendere automaticamente dai feedback delle attività svolte, abilitando così i Modelli di Machine Learning per attivare la Predictive Maintenance.

Partendo dalla raccolta delle telemetrie e dalla storia dei guasti, gli algoritmi di Machine Learning identificano le possibili correlazioni tra telemetrie e guasti evidenziando in anticipo la probabilità di accadimento di un evento.

Il modello implementato fornisce le informazioni giuste, quando e dove servono, prevedendo l’individuazione del momento di accadimento di un evento, 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 rendere tutto ciò reale è necessario sfruttare le potenzialità della piattaforma di Machine Learning che aggrega dati eterogenei quali telemetrie, eventi allarme/guasto e informazioni storiche. La piattaforma controlla le telemetrie originarie da ogni singolo Asset e applica, per ogni allarme oggetto di previsione, il relativo modello Machine Learning.

In figura 1 viene riportato il modello logico su cui si basa la Predictive Maintenance.

I dati provenienti dalle telemetrie (1) vengono raccolti dalla Piattaforma di Machine Learning (2) che mediante l’applicazione di algoritmi analizza in continuo le serie di dati e individua pattern caratteristici che nel passato hanno generato eventi di guasto, fornendo quindi uno SCORE (3), ovvero la probabilità con cui un evento stia verificarsi nel prossimo futuro. Tale informazione è un input per valutare un intervento di manutenzione predittivo (4). Il feedback proveniente dall’intervento costituisce l’informazione di ritorno verso la Piattaforma (5), che sulla base del comportamento “imparato” da questa esperienza è in grado di affinare il comportamento del proprio modello previsionale.

L’algoritmo di Machine Learning analizza i dati per un certo periodo di tempo (T1 – intervallo di telemetria) e restituisce al tempo T0 la previsione di accadimento, ovvero uno score, un numero reale compreso nell’intervallo [0,1] che dà un’indicazione della probabilità che tale evento stia per verificarsi entro l’intervallo di previsione T3.

Di conseguenza è possibile impostare degli automatismi per cui se lo score emerso supera una certa soglia, definita in sede iniziale, l’evento di generazione della previsione determina l’apertura di un ticket di manutenzione in modo che si possa intervenire nel tempo T2 (intervallo di azione) per ripristinare la situazione e prevenire così il possibile guasto previsto nel periodo T3.

Da un punto di vista applicativo la Piattaforma di Machine Learning agisce tra il sistema di Building Automation, da cui raccoglie le telemetrie e le informazioni sui dati di conduzione degli asset, e il sistema CMMS, verso cui trasmette la previsione di accadimento di un evento e da cui riceve il feedback derivante dall’esecuzione delle attività che le consente di migliorare la propria capacità previsionale e di capire l’azione attuata dal manutentore. Tale azione può divenire un input in una successiva iterazione da poter sottoporre al manutentore.

L’applicazione della manutenzione predittiva permette di migliorare significativamente la disponibilità degli impianti e di diminuire l’effort per ripristinare il buon funzionamento. Nel nostro recente progetto applicato alle Unità di Trattamento Aree (UTA) del blocco operatorio di un ospedale di recente costruzione su un orizzonte temporale di analisi di 6 mesi ha evidenziato importanti risultati in termini di:

  • disponibilità degli impianti, calcolata come rapporto tra l’MTBF (Mean Time Between Failure) e la differenza tra MTBF e MTTR (Mean Time to Repair)
  • Effort di manutenzione, espresso come impegno di ore uomo per eseguire gli interventi di ripristino.

 I risultati sono stati:

  • un aumento fino al 5% della disponibilità degli impianti
  • una riduzione fino al 30% dell’effort delle manutenzioni

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 e sul rapporto con i fornitori di servizi, potendo generare un circolo virtuoso per tutti gli stakeholder coinvolti.

Per il gestore sono evidenti i forti benefici che si possono ottenere: maggiore disponibilità dei loro impianti e quindi delle loro strutture; ma significativi benefici si possono registrare anche dal lato dei service provider, infatti questo nuovo approccio alla manutenzione si riflette in una nuova modalità di proposizione più competitiva, e che li rende effettivamente ingaggiati come partner impegnati a far raggiungere i risultati contrattualizzati con il committente.

Con questa nuova tipologia di manutenzione infatti i Service Provider hanno la possibilità di prevedere le eventuali problematiche esistenti nei vari impianti e quindi intervenire nelle modalità più opportune prima che si verifichino i guasti. Si eliminano i controlli periodici non necessari, tipicamente quelli previsti nella manutenzione programmata, e vengono effettuati solo quelli realmente necessari e legati al comportamento dell’impianto solo dove e quando servono.

Questa nuova modalità di lavoro si riflette nell’eliminazione dei costi non necessari per il committente e per il fornitore di servizi e in un aumento della probabilità da parte di questi ultimi di raggiungere i risultati contrattualizzati e quindi nell’ottenimento dei compensi previsti.

I molteplici benefici e la tecnologia sempre più accessibile farà sì che tali modelli da strutture complesse e critiche siano presto estesi a immobili meno complessi ma il cui buon funzionamento si riflette comunque sul benessere delle persone e sul mantenimento del massimo comfort per gli occupanti: uffici, attività commerciali, residenziale.

Ing. Giuseppe Capicotto, General Manager eFM

Ing. Daniele Grasselli, Responsabile BU Building Operations eFM