Planning & Prediction
Planning & Prediction
Predictive Maintenance
Sempre più aziende raccolgono enormi quantità di dati per monitorare lo stato di salute dei propri prodotti o processi, con l’aspettativa che questi operino sempre ai massimi livelli.
Poter riconoscere, attraverso i dati, le derive di funzionamento e anticipare degrado e possibili guasti è di fondamentale importanza per non rimanere impreparati davanti ai diversi imprevisti che possono accadere (es. fermi macchina, problemi di qualità o clienti in difficoltà). Ma anche per ottimizzare la pianificazione delle attività e migliorare la percezione del brand.
- descrizione e benefici
- Esempi di applicazione
Grazie alla nostra soluzione, Predictive Maintenance, è possibile migliorare la pianificazione degli interventi di manutenzione, così da limitare l’impatto sulla produzione e migliorare il servizio offerto ai clienti.
La soluzione propone una dashboard che mette a disposizione la lista dei guasti imminenti, le componenti e le macchine coinvolte. Inoltre, l’utente può interpretare e indagare le cause del possibile guasto in maniera approfondita, secondo una logica di diagnostica predittiva.
Macchinari sempre funzionanti
Grazie a un monitoraggio continuo e automatico dello stato di salute
Maggior sostenibilità
La previsione delle operazioni di manutenzione permette di minimizzare gli interventi, i viaggi per l’approvvigionamento e di disporre di maggior tempo per una scelta ragionata di ricambi
Incremento dei ricavi
Grazie all’azzeramento dei fermi macchina la produzione sarà sempre ai suoi massimi
Settori
Dove applicare Predictive Maintenance
Industrial
Previsione data-driven dei guasti per minimizzare i fermi macchina e pianificare gli interventi necessari
Transports
Anticipazione dei guasti e del malfunzionamento dei veicoli e miglioramento della manutenzione delle infrastrutture
Energy
Previsione dei guasti delle centrali idroelettriche al fine di evitare interruzioni di servizio
Approfondimento
Logica di funzionamento
- Per lo sviluppo della soluzione abbiamo utilizzato un avanzato algoritmo di machine learning per l’apprendimento supervisionato che permette di fornire una stima della vita rimanente (Remaining Useful Life) dei componenti osservati.
- È stato scelto questo algoritmo sia per la sua efficacia nel gestire dati complessi ed eterogenei, sia per le elevate performance predittive.
- Sfruttando l’approccio #MathFusion è possibile affiancare ai dati la conoscenza relativa alla fisica dei fenomeni monitorati. Questo permette di estendere la base informativa fornita ai modelli data-driven, aumentandone il potere predittivo e permettendone l’applicazione anche in presenza di ridotte quantità di dati.
- Le tecniche non supervisionate basate sulla Functional Data Analysis rendono la soluzione completamente data-driven, molto flessibile e facilmente scalabile anche in contesti complessi.
STORIA DI SUCCESSO: APPLICAZIONE DELLA SOLUZIONE Predictive maintenance
La soluzione per Candy-Haier
Candy-Haier utilizza Predictive Maintenance per riconoscere, attraverso i dati, le derive di funzionamento e anticipare il degrado e i possibili guasti.
C.F. e P.IVA 07015910966 | Via Schiaffino 11, 20158 Milano