Transcription
Nuovi modelli e servizi di manutenzione preventiva e predittiva tramiteIoT e Big Data AnalyticsFabio Massimo Marchetti – f.marchetti@varsirioindustria.it
Parte I IoT, Digital Twin e Big DataManutenzione: concetti baseAnalisi dell’efficienza e principali KPI difunzionamentoApproccio alle analisi predittivePredictive: esempi applicativi
Parte IIoT, Digital Twin e Big Data
Trend tecnologici nel mondo dell’industriaTrend tecnologici nel mondo dell’industria Internet: la comunicazione IP si estende anche a livello dell’integrazionedei sensori nel mondo industriale. Virtualizzazione delle applicazioni. Elettroniche con potenza di calcolo sempre più elevate in dimensionisempre più ridotte. Diffusione connessioni wireless : stabili, veloci, sicure, versatili e ovunque(WiFi, Lora, NBIoT,3G,4G, 5G).
Industrial Digital Transofrmation: un megatrendTrend tecnologici nel mondo dell’industriaTutti i settori dell’economia, finanza, pubblica amministrazione,commercio e Industria, saranno sempre più governati dastrumenti tecnologici digitali.La complessità e il volume dei dati sono in continuo aumento.
Internet of Things: il nuovo paradigmaDalle 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 ditelecomunicazione 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
La democratizzazione della tecnologiaIl cloud e soprattutto lepiattaforme IoT rendono oggidisponibili a tutte le aziendeapplicazioni e tecnologie una voltaappannaggioesclusivodelle«grandi» creando un fenomeno di«democratizzazione»dellatecnologia.(fonte della figura: McKinsey&Company)
IoT Platform: l’era dei microservizi (API technologies)
IoT Platform: l’era dei microservizi (API technologies)ComputeCloud Foundry Runtimes(D,L)Docker ContainersWatsonAnalytics for Apache HadoopConcept ExpansionAnalytics ExchangeApplication Security ManagerBig InsightsConcept Insights, DialogDocument ConversionApache SparkKey ProtectBusiness RulesCloudant NoSQL DB (D)Data Cache (D,L)Language TranslationNetwork Security Groups forVMsNatural Language ClassifierdashDB (D)Single Sign-OnDataWorks, DataWorks LiftVulnerability Advisor forContainersPersonality InsightsLoad Balancer forContainersVPNRelationship ExtractionRetrieve and RankSpeech To TextText to SpeechTone AnalyzerStorageBigInsights for Apache HadoopElasticsearch by ComposeEmbeddable ReportingGeospatial AnalyticsIBM DB2 on CloudVisual RecognitionTrade Off AnalyticsInsights for WeatherPostgreSQL by ComposePredictive AnalyticsCDN & MediaActive DeployAlert NotificationCDNRedis by ComposeSQL DatabaseStreaming AnalyticsDeliveryPipelineAuto-Scaling(D,L)Private APIsUser Defined APIsUser Defined ServicesGlobalization PipelineTracking and Plan GITMessage HubMQ LightSession Cache (D,L)IntegrateAPI ConnectTime Series DatabaseSecure Gateway (D)WorkflowWorkflow SchedulerMobileService BrokerIBM Push NotificationsService DiscoveryService ProxyMobile Application ContentManagerIOTMobile Client AccessMobile Application SecurityIoT Driver InsightsMobile DataIoT Foundation (D)IoT Map InsightsIoT Real Time InsightsMonitoring and AnalyticsMessage ConnectIBM GraphMongoDB by ComposeDevOpsApplication Server on CloudCompose EnterpriseInsights for TwitterObject StorageApplicationAlchemyAPIBlockchainBlock StorageSecurityApplication Security onCloudOpenStack VMsNetworkingData & AnalyticsMobile Quality AssurancePresence Insights
Internet of Things: le componentiLe piattaforme rendono disponibili una elevata quantità di micro servizispostando il focus dal «scrivere» applicazioni a quello di costruireun’architettura di microservizi interconnessi dai flussi dati creatisi.
Internet of Things: il «cloud» scende in campo con l’«edge»L’ elaborazione del dato si sposta vicino al device che lo ha generato creando un layer diottimizzazione, contestualizzazione, aggregazione delle informazioni in modo da ridurre lenecessità di comunicazioni e di storage a livello cloud.
Una architettura IoT con layer «edge»IoT PlatformsIl gateway locale adotta un framework chepermette di portare in campo un primo livello di«stream analytics» che permettono diaggregare, contestualizzare e normalizzare i datie generare degli eventi in funzione di sempliciregole applicate ai dati stessi.IoT GatewayPLCEQUIP 1EMPLCEQUIP 2PLCEMEQUIP .PLCEMEQUIP N
Dall’ Internet of Things alle architetture ibrideOrdini(lista)Gestione, assegnazione, statoordini e avanzamento produzioneSinottici di stato della lineaGestione diagnostica e allarmiIOF LineHMIModellazione linee e processoGestione ordini di produzioneKPI perfomancesIOF PMSWeb ClientGiustificazione causali nonautomaticheKPI in tempo realeDatiProd.Un approccio 4.0 per definizione è un approcciocross dipartimentale che genera un quantitàelevatissima di informazioni (Big Data) cheaggregate ad altre informazioni generate da universiparalleli di «cose» permettono di costruireanalytics sempre più articolate ed effettive.ERPAnagraf.IoT PlatformsIOF PMSGenealogia e tracciabilitàTracking e genealogiaPerfomance e KPIReportisticaGestione dispositiviStati/allarmiDati per operatoreOrdini per linea dati associati all ordineOrdine manuale,dati da operatore per funzioni accessorieDati RT Dati produzioneIOF LineContollerPLCEQUIP 1EMPLCEQUIP 2PLCEMEQUIP .PLCEMEQUIP N
L’era del digital twin Gemello digitale del Prodotto Gemello digitale della Produzione Gemello digitale delle PrestazioniDigital TwinGemello DigitaleIndustrialDigitalTwins
Dall’ Internet of Things alle architetture integratePLMMESDATAINTEGRATIONCMMSIOT
Big Data e Analytics: definizioniSi parla di big data quando si ha un data set talmente grande da richiederestrumenti non convenzionali per estrapolare, gestire e processare informazionientro un tempo ragionevole.Analytics is the discovery, interpretation, and communication of meaningfulpatterns in data. Especially valuable in areas rich with recorded information,analytics relies on the simultaneous application of statistics, computerprogramming and operations research to quantify performance.Specifically, areas within analytics include predictive analytics, prescriptiveanalytics, enterprise decision management, retail analytics, store assortmentand stock-keeping unit optimization, marketing optimization and marketing mixmodeling, web analytics, sales force sizing and optimization, price andpromotion modeling, predictive science, credit risk analysis, and fraudanalytics. Since analytics can require extensive computation (see big data), thealgorithms and software used for analytics harness the most current methodsin computer science, statistics, and mathematics.(fonte: Wikipedia)
Business Intelligence e Big DataLa business intelligence utilizza la statistica descrittiva con datiad alta densità di informazione per misurare cose, rilevaretendenze, ecc., utilizza cioè dataset limitati, dati puliti e modellisemplici.I big data utilizzano la statistica inferenziale e concetti diidentificazione di sistemi non lineari per dedurre leggi(regressioni, relazioni non lineari ed effetti causali) da grandiinsiemi di dati, e per rivelare rapporti e dipendenze ed effettuareprevisioni di risultati e comportamenti, in altre parole utilizzanodataset eterogenei (non correlati tra loro), dati raw e modellipredittivi complessi.
Analytics e big data . Quale percorso?Introdurre capacità“cognitive”Intensificare gli analyticsIdentificare i patternsignificativiRaccolta dati / IoT dati dal campoeterogeneità macchine /protocolliKnow how / architettureSecurity Gestire dati raccolti(qualità , integrazione)Architettura datiEstrazione infoFruibilità informazioni /rappresentazione Definire modelli sullaanalisi datiCapire situazioni efornire indicazioniCorrelare dati esistenticon altre fonti esterne Raffinareprogressivamente imodelliMiglioramentoautomaticoInterazione avanzatacon gli utentiInterazioni uomomacchina
Parte IIManutenzione: concetti base
Una semplice definizioneManutenzioneazioni per mantere un dispositivo/impianto/sistema nelle correttecondizioni di funzionamento che permettano di garantire l’erogazionedel servizio per cui lo stesso è stato progettato.
Modalità di manutenzione A guastoIntervento 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 attraversoopportuna sensoristica applicata al bene Predittiva (PdM – Predictive Maintenance)Evoluzione della CBM ovvero in base alle condizioni effettive ed aquelle future previste attraverso l’applicazione di modelli diprevisione specifici. Prescrittiva (PrM – Prescriptive Maintenance)Si prepone di consigliare azioni a beneficio delle predizioni emostrarne le relative implicazioni e del perché accadranno.
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 delleeffettive cause di guasto, proposte di interventi proattivi per la manutenzione, ovverocorrettivi. Tracking delle best practice di intervento di manutenzione. Definizione del mix ottimale per le politiche manutentive dell'impianto (opzioni non tuttereciprocamente esclusive): manutenzione preventiva, predittiva, migliorativa, oppure "aguasto". Definizione dell’organizzazione della funzione manutenzione e definizione deglistandard di lavoro. Pianificazione degli standard di lavoro e della turnazione. Definizionedegli assetti di terziarizzazione: scelta dell'assetto di make or buy, scelta e valutazionedei fornitori, formalizzazione dei capitolati. Ingegneria dei materiali tecnici: gestione anagrafica dei part number, standardizzazionedei materiali, scelta e dimensionamento delle politiche di gestione dei materiali. Progettazione congiunta di tecnologia ed organizzazione: diffusione delle procedureaziendali, predisposizione del sistema informativo di manutenzione, formazione continuae valutazione del personale di manutenzione.
Parte IIIAnalisi dell’efficienza e dei principali KPIdi funzionamento
OEE un importante indicatoreLo strumento che vi aiuta ad ottimizzare l’efficienza ed a pianificare inmodo coerente le attività di manutenzione.Overall Equipment Efficiency ovveroOEE Disponibilità * Prestazione * QualitàLe macchinelavorano quandodovrebbero?Le macchinelavorano alla velocitàideale?Quanto scarto èstato prodotto?
Un modello di riferimento
Linea vs macchina OEE di una linea non è l’aggregazione degli OEEdi macchinaGli assetti produttivi possono essere dinamici infunzione della referenza da produrreLe singole machine possono essere raggruppate ingruppi di valutazione delle performance e diquantità prodotte/scartate (stadio di avanzamentodel prodotto all’interno della linea)Gli scarti devono essere contestualizzati infunzione dello stadio di produzione dove vengonogeneratiI pezzi buoni prodotti possono essere derivati damacchine diverse in funzione della referenza inproduzione
KPI di elevata importanza per la manutenzione MME (Mechanical Machine Efficiency) MTBF (tempo medio tra due failure) MTTR (tempo medio di riparazione) Pareto delle causali di fermata (frequenza e durata)
Parte IVIl percorso per la definizione del miglioreapproccio e del migliore modello dautilizzarsi per le analisi predittive
Definizione di modelloUn modello descrive il comportamento di un sistema del mondoreale nel corso della sua vita.Come nei sistemi del mondo reale, un modello rappresenta ingenere un comportamento dinamico, che è importante per unapredizione di uno stato futuro, o per analizzare lo stato corrente diun sistema del mondo reale
Definizione di modello di predictive maintenanceUn modello per la predictive maintenance rappresenta come sicomporta il sistema al variare di misure/parametri ed analizza epredice possibili failure attraverso la valutazione dinamica deipatterns delle misure/parametri generando opportuni alert percreare task di manutenzione predittiva.
Tipologie di modelli- Modelli fisiciNormalmente basati su modelli matematici che descrivono in modoesatto 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, Expertsystems- Modelli “data driven”Basati sull’analisi dei dati e quindi facilmente applicabili a diversi contesti(Machine learning, Deep Learning)
Quale tipo di approccio?(fonte: Machine Learning Approaches for Failure Type Detection and Predictive Maintenance – Technische Universita Darmstadt )
Data driven model: un percorso di approccio generico Creazione del dataset Validazione dei dati Analisi dei dati Scelta degli algoritmi e modelli predittivi daapplicare, creazione dei modelli e loroapplicazione ai dati sia in tempo reale che subase storica Validazione o eventuale affinamento deimodelli definiti
Creazione del data set Identificazione delle variabili da monitorare Identificazione della sensoristica osistema di raccolta del dato adeguatodel Creazione di una infrastruttura in grado digovernare l’acquisizione, normalizzazione,contestualizzazione ed aggregazione deidati. Creazione di “data lake” non relazionali
Data validationData Validation: rilevamento e correzione/rimozione dei daticorrotti o inaccurati (outliers). Normalmente effettuata in duefasi: Rimozione delle misurazioni i cui valori non sonoinclusi all'interno di un range di accettabilità oppuredeterminate da condizioni di operatività nonstandard. Applicazione di tecniche di clustering per la rimozionedi eventuali altri outliers rimasti dal precedente step.Al termine di questo processo il dato deve rispettare i requisitidi qualità (validità, accuratezza, completezza, uniformità.)
Data analysisDivisione del data set in: Training Validation Test setData analysis per la ricerca di patterns sui dataset acquisiti e/o importati.Correlazione agli eventi riscontrati o ad altri datidisponibili da piattaforme terze(produzione/meteo/maintenance/personale/ )
Esempi di algoritmi di analisi da applicare 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.
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(fonte: Machine Learning Approaches for Failure Type Detection and Predictive Maintenance – Technische Universita Darmstadt )
Selezione del/i modelli di riferimentoAttraverso la verifica dei risultati ottenuti applicando imodelli predittivi definiti in precedenza viene creato unranking correlato (KPI).Sulla base dei risultati e dei KPI calcolati verràidentificato il/i modelli di riferimento che meglio siadattano allo scopo e vengono individuati affinamentiper migliorarne ulteriormente i risultati.Al termine dell’attività viene consolidato il modellopredittivo finale risultante dagli affinamenti successivieffettuati.
Advanced e predictive analytics: quali applicazioni? Analisi predittive sulla qualità del prodotto finito con possibilecorrelazione ai costi necessari per mantenere tale qualità Analisi per l’identificazione delle aree di miglioramento dei prodottiimmessi sul mercato Analisi e miglioramento delle performance produttive Analisi predittive sulla manutenzione degli impianti e dei prodottitecnologici immessi sul mercato Analisi predittive sui consumi e delle necessità energetiche Cambiamento del modello di business (performance contract, «payper use», .) altri obiettivi
Parte IVPredictive: esempi applicativi
Misure per analisi predittive nella manutenzione industriale
Modello di riferimento per la manutenzione predittivaHealth Score (binary logit model) – supervised learningl modello Health Score si basa sul modello di regressione lineare e misura laprobabilità che una risorsa o un processo falliscano. Il modello utilizza datistorici sui difetti, informazioni operative e dati ambientali per determinarel'attuale stato di salute operativa di un asset e monitora costantemente l'assetper prevedere potenziali guasti in tempo reale.Il valore di health score risultante, generalmente indicato semplicementecome il punteggio di salute, può essere utilizzato anche per prevedere lasalute futura dell'asset.L’ health score è presentato come un numero compreso tra 0 e 1. Maggiore èil numero, più è integro il bene. L’health score complessivo per un intero sitodi 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 deveessere riqualificato sui nuovi dati («training»).
esempio: architettura a microservizi in ambiente open per il PM
esempio: predictive maintenance Definizione dei parametri di controllo per tipologia didevice/macchina/impianto monitorato Definizione del modello di valutazione attraverso data setesistenti o acquisiti in modo specifico mediante campagne dimonitoraggio Configurazione degli algoritmi predittivi Monitoraggio in tempo reale ed applicazione degli algoritmipredittivi Forecast dei tempi entro i quali dovranno essere eseguite leattività manutentive Generazione tasks per interventi manutentivi (integrazionecon CMMS)
Esempio di dashboard con analisi predictive
esempio: architettura a microservizi in ambiente IBM Cloud per PQ
esempio: predictive quality Definizione dei variabili interne ed esterne al processo chepossono contribuire alla qualità del prodotto finito Definizione del modello di valutazione attraverso data setesistenti o acquisiti in modo specifico mediante campagne dimonitoraggio Scelta del modello attraverso un ranking dei modelli applicati Configurazione degli algoritmi predittivi Monitoraggio in tempo reale ed applicazione degli algoritmipredittivi con alert sulla variazione prevista della qualità delprodotto finito Simulazione delle variazioni dipendenti dalla regolazione dellevariabili principali con interfaccia operatore interattiva Generazione di feedback di regolazione delle variabili diprocesso controllate
Un esempio reale
Domande?
BigInsights for Apache Hadoop DataWorks, DataWorksLift 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
