{"id":50018,"date":"2018-10-19T06:00:28","date_gmt":"2018-10-19T04:00:28","guid":{"rendered":"http:\/\/smeupnew.it\/magazine\/blog\/manutenzione-predittiva-per-guasti-presse\/"},"modified":"2021-06-16T12:09:54","modified_gmt":"2021-06-16T10:09:54","slug":"manutenzione-predittiva-per-guasti-presse","status":"publish","type":"post","link":"https:\/\/www.smeup.com\/magazine\/blog\/manutenzione-predittiva-per-guasti-presse\/","title":{"rendered":"Manutenzione predittiva per guasti presse"},"content":{"rendered":"

Il progetto di manutenzione predittiva per guasti presse ha avuto come obiettivo l\u2019implementazione di un algoritmo in grado di prevedere il verificarsi di guasti ad impianti di presse operanti nel ciclo di stampaggio di articoli in gomma. \u00a0La base dati disponibile \u00e8 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 \u00e8 articolato secondo le seguenti fasi:<\/p>\n

Fase 1<\/h2>\n

Il primo aspetto affrontato \u00e8 stato quello di preparare uno script di Qlik<\/a> 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<\/a>. Questo passaggio, che costituisce un elemento fondamentale ed imprescindibile per la riuscita di questa tipologia di attivit\u00e0 di analisi, ha reso possibile l\u2019automatizzazione della preparazione dei dati, in quanto il database originario prevedeva, a parit\u00e0 di sensori, codici di variabili diversi a seconda delle presse.<\/p>\n

Il dataset cos\u00ec ottenuto \u00e8 stato successivamente esportato da Qlik in R<\/a>, ambiente in cui sono state applicate varie tecniche statistiche quali la creazione del target binario \u201cguasto\/non guasto\u201d da prevedere,\u00a0 \u00a0il calcolo delle medie mobili, la normalizzazione delle variabili e il bilanciamento del target (trattandosi\u00a0 il guasto di evento raro); questa fase di analisi statistica \u00e8 propedeutica all\u2019identificazione dell\u2019algoritmo da applicare per l\u2019attivit\u00e0 di Machine Learning in quanto ha lo scopo di identificare e predisporre le\u00a0 variabili\u00a0 indipendenti\u00a0 (sensori) e la variabile dipendente (target) da utilizzare nella successiva fase di analisi, nonch\u00e9 l\u2019obiettivo di predisporre la partizione\u00a0 del dataset nei tre ambienti di Training, Validation\u00a0 e Test da utilizzare per l\u2019addestramento dei diversi algoritmi di analisi e per la valutazione della loro performance.<\/p>\n

Fase 2<\/h2>\n

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\u00a0 degli indici statistici\u00a0 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\u2019evento oggetto di studio come casuale.<\/p>\n

Conclusioni analisi di manutenzione predittiva per guasti presse<\/h2>\n

L\u2019analisi ha permesso di trarre due conclusioni fondamentali:<\/p>\n