Manutenzione predittiva per guasti presse

manutenzione-predittiva-per-guasti-presse

Il progetto di manutenzione predittiva per guasti presse ha avuto come obiettivo l’implementazione di un algoritmo in grado di prevedere il verificarsi di guasti ad impianti di presse operanti nel ciclo di stampaggio di articoli in gomma.  La base dati disponibile è stata alimentata dalle rilevazioni dei sensori posti su una ventina di presse dello stesso modello, che a partire dal 2015 hanno registrato diverse variabili legate alla variabile temperatura (olio, piani mobili, contenitore, ugello, ingresso materiale) durante tutto il processo produttivo fino al verificarsi del guasto. Il progetto si è articolato secondo le seguenti fasi:

Fase 1

Il primo aspetto affrontato è stato quello di preparare uno script di Qlik in grado di estrarre i dati dal datawarehouse sql delle presse con lo specifico obiettivo di pulirli e organizzarli in un database adatto ad effettuare il processo di machine learning. Questo passaggio, che costituisce un elemento fondamentale ed imprescindibile per la riuscita di questa tipologia di attività di analisi, ha reso possibile l’automatizzazione della preparazione dei dati, in quanto il database originario prevedeva, a parità di sensori, codici di variabili diversi a seconda delle presse.

Il dataset così ottenuto è stato successivamente esportato da Qlik in R, ambiente in cui sono state applicate varie tecniche statistiche quali la creazione del target binario “guasto/non guasto” da prevedere,   il calcolo delle medie mobili, la normalizzazione delle variabili e il bilanciamento del target (trattandosi  il guasto di evento raro); questa fase di analisi statistica è propedeutica all’identificazione dell’algoritmo da applicare per l’attività di Machine Learning in quanto ha lo scopo di identificare e predisporre le  variabili  indipendenti  (sensori) e la variabile dipendente (target) da utilizzare nella successiva fase di analisi, nonché l’obiettivo di predisporre la partizione  del dataset nei tre ambienti di Training, Validation  e Test da utilizzare per l’addestramento dei diversi algoritmi di analisi e per la valutazione della loro performance.

Fase 2

Nella fase successiva, come anticipato nel punto precedente, sono stati poi applicati varie tipologie di algoritmi, tra i quali citiamo a titolo di esempio regressioni logistiche, alberi di decisione, reti neurali e random forest; il confronto delle curve roc e  degli indici statistici  dei vari modelli applicati hanno poi portato ad un risultato univoco ovvero alla totale assenza di correlazione tra le variabili rilevate e il guasto, i quanto tutti i modelli identificavano l’evento oggetto di studio come casuale.

Conclusioni analisi di manutenzione predittiva per guasti presse

L’analisi ha permesso di trarre due conclusioni fondamentali:

  • È fondamentale distinguere le causali di guasto, in modo tale da suddividere il database e creare un modello predittivo per ciascuna; ci potrebbe essere infatti qualche tipologia di guasto effettivamente correlata alle variabili registrate, ma la presenza di altri tipi guasto indipendenti ha inficiato il risultato;
  • L’obiettivo di analisi deve essere circoscritto, indirizzandosi su una tipologia di guasto la cui individuazione possa portare ad un maggior vantaggio economico rispetto alle altre, dato che le presse sono soggette a tipologie di guasto molto diverse tra di loro, così da individuare quali nuovi parametri sarebbe utile monitorare oltre alle sole temperature attualmente rilevate e immagazzinare uno storico di guasti e rilevazione di variabili sufficientemente numeroso per consentire l’allenamento dell’algoritmo.

Nell’attesa che vengano realizzati i due interventi indicati il progetto non ha potuto procedere a fasi successive di analisi proprio a seguito dell’impossibilità di distinguere le causali di guasto in quanto nell’azienda esiste un database delle manutenzioni a rottura effettuate, con una descrizione dell’intervento messo in opera, ma non riconducibile in maniera univoca alla segnalazioni di guasto; le descrizioni inoltre, circa 300 e diverse tra loro, indicano l’intervento generico effettuato senza raggrupparli in causali, rendendo impossibile suddividere il database  in base al tipo di guasto.

I risultati ottenuti sono stati importati in Qlik per mostrarne le conclusioni attraverso grafici e report.


Sara Pea

Sara Pea
Specialista Business Intelligence – Gruppo Sme.UP
My LinkedIn Profile


Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *