Intelligenza artificiale in fabbrica? Si può fare

L’intelligenza inespressa di chi lavora sul campo è un grande potenziale che può essere utilizzato per costruire le nuove intelligenze della fabbrica del futuro. A colloquio con Giulia Baccarin di Mipu

Se è vero che le intelligenze artificiali sono gli asset virtuali sui quali le imprese andranno a costruire la propria competitività, allora non c’è tempo da perdere. Ne è convinta Giulia Baccarin, AD di MipuPredictive Hub, che ha fatto della sua passione - l’intelligenza artificiale - il core business della sua attività.

Mipu è una holding fondata da Giulia Baccarin e Giovanni Presti nel 2012 a Salò, sul Lago di Garda, che sviluppa soluzioni software e attività di consulenza in ambito di intelligenza artificiale (AI) e tecniche predittive per i processi di fabbrica.

«La nostra scelta è stata molto verticale perché riteniamo che per costruire una buona AI sia necessaria una forte competenza di dominio, per questo andiamo a coprire tutti i processi di fabbrica: produzione, qualità, energia e logistica, i 4 asset fondamentali per un’impresa di produzione», ci dice Giulia Baccarin, alla quale abbiamo rivolto alcune domande per capire come stanno lavorando con le imprese italiane, grandi, medie e, sempre più, di piccole dimensioni.

Come proponete la vostra AI alle imprese?
Il primo ostacolo da superare è la conoscenza operativa per capire cosa è davvero possibile. La maggioranza dei nostri primi contatti avviene attraverso corsi di formazione o mini workshop di quattro ore, durante i quali viene spiegata concretamente la soluzione di AI attraverso esempi reali di aziende di produzione che operano nello stesso settore o in settori complementari.

Coinvolgiamo le persone in una AI Canvas, una metodologia grazie alla quale si raccolgono i fabbisogni di innovazione che emergono dagli operatori di produzione (manutentori, tecnici), si traducono in idee, si mettono in una scala di fattibilità e impatto e si realizza un progetto concreto. Questo approccio serve per dare in primis un contenuto informativo, ma anche e, soprattutto, per consentire alle persone di esplicitare i propri bisogni. Questo perché coloro che operano sul campo sanno come migliorare l’efficienza produttiva. L’intelligenza inespressa di chi lavora tutti i giorni, ad esempio su una macchina come addetto al cambio formato, è un grande potenziale che non sempre viene utilizzato appieno.

L’altro aspetto è che spesso i problemi sono risolvibili con estrema semplicità e a basso costo, ma non conoscendo il potenziale dell’AI, in molti casi tali problemi non vengono nemmeno portati all’attenzione.

Come è strutturata la vostra soluzione di AI?
Abbiamo sviluppato una soluzione software che abilita le competenze di ciascuno attraverso l’AI. Oggi, nelle nostre imprese - si pensi ai costruttori di macchine, ad esempio - esistono un’alta competenza tecnica, la tecnologia dell’intelligenza artificiale e del Data Science, ma raramente chi ha le competenze dell’uno è specializzato nell’altro e viceversa. Secondo uno studio Deloitte, il 91% dei progetti AI non ha incontrato le aspettative dei richiedenti, per due motivi. Il primo: supponiamo che io voglia determinare se insorgerà un problema in uno degli stadi di una turbomacchina e per quale ragione.

La competenza per questo tipo di applicazione risiede nel costruttore o in chi pone la macchina in esercizio; tuttavia, l’AI è sviluppata da Data Scientist che difficilmente hanno sviluppato questo tipo di esperienza e linguaggio. Il secondo motivo: anche ammesso che l’AI venga costruita e sia efficace al momento zero, necessita di essere continuamente gestita e allenata per mantenere le performance nel tempo o adeguarsi a nuove aspettative.

Come superare questi limiti?
La nostra tecnologia vuole diminuire l’effort conoscitivo, il tempo, il costo e il rischio di errore insiti nello sviluppo e nella gestione di AI industriali. Da un lato, nella parte Builder, supporta la creazione di AI senza richiedere particolari competenze informatiche - non serve, dunque, sapere programmare in Python - dall’altro aiuta a gestire le intelligenze durante il loro ciclo di vita. Oggi il valore di un’azienda sul mercato è dato dalle competenze delle persone, dagli asset posseduti e dalle disponibilità finanziarie; domani a questi driver di competitività si aggiungeranno le AI che l’azienda ha saputo costruire. Questo è anche il motivo per cui sarebbe bene che ogni azienda abbia al proprio interno un gestionale delle intelligenze.

Quindi l’AI in fabbrica si può fare…
Non solo si può fare, ma è anche alla portata di tutti. Con la nostra soluzione di AI è possibile calcolare quale sarà la precisione dell’applicazione realizzata e, quindi, quale il conseguente beneficio. È anche possibile realizzare una sorta di preventivo, già in fase di workshop iniziale, attraverso una simulazione chiusa e finita del tipo: per raggiungere l’obiettivo A, il costo da sostenere è X e il tempo richiesto Y. Di seguito, due case study relative ad applicazioni effettivamente in esercizio nelle aziende italiane, che aiutano a meglio comprendere le possibilità offerte dall’intelligenza artificiale.

Applicazione n. 1. Machine Learning al controllo di una turbina a gas da 250 MW

Le aziende che producono energia sfruttando grandi centrali termoelettriche partecipano al mercato dell’energia garantendo una certa quantità di potenza per la giornata. Riuscire a produrre l’energia al minimo costo possibile, operando l’impianto al massimo delle performance possibili, garantisce un rientro economico all’azienda, che a parità di potenza è in grado di consumare meno combustibile.

Una società che opera nel campo della generazione e dell’approvvigionamento dell’energia e del gas naturale si è rivolta a Mipu per testare le potenzialità dei dati già in suo possesso, raccolti dal sistema di monitoraggio e controllo collegato agli impianti.

Gli obiettivi principali sono l’abbattimento dei costi di gestione degli impianti di generazione elettrica, l’aumento dell’affidabilità dell’impianto e l’ottimizzazione degli interventi manutentivi per minimizzare i fermi di impianto. In aggiunta, l’azienda richiede una modalità per dimostrare l’applicabilità delle soluzioni innovative di intelligenza artificiale e IoT nel suo settore, per aumentare la sensibilità degli operatori in campo e dei responsabili di produzione, facilitando l’upgrade del sistema.

Algoritmi di machine learning vs. algoritmi analitici

Per raggiungere tali obiettivi, l’approccio tradizionale prevede l’utilizzo di algoritmi analitici che tengono in considerazione le condizioni di funzionamento, i dati nominali di turbina e le curve di funzionamento, per prevedere l’efficienza effettiva rispetto al valore nominale. Tuttavia, questo approccio non sempre è in grado di intercettare microanomalie nel comportamento, quanto piuttosto riesce a identificare cambi di comportamento evidenti.

Utilizzando algoritmi complessi di machine learning, che imparano dai dati storici dell’impianto, è possibile intercettare le minime differenze tra la potenza producibile dall’impianto in condizioni ottimali e la potenza effettivamente prodotta, considerando sia le condizioni di funzionamento, sia le condizioni ambientali e di controllo.

Mipu, utilizzando la piattaforma software Rebecca AI, ha sviluppato e messo in campo una soluzione di monitoraggio e controllo performance della turbina a gas. Con i modelli prodotti è stato possibile quantificare con precisione l’aumento di performance legato alla sostituzione delle pale dell’espansore.

Mipu ha quindi raccolto i dati del cliente, e ne ha valutato le potenzialità e la qualità attraverso uno studio preliminare di consistenza e correlazione. La turbina è stata modellizzata considerando i parametri di ingresso al compressore e al combustore, con l’obiettivo di prevedere la potenza prodotta istantaneamente.

Considerando la frequenza di campionamento, ai 5 minuti, è stato inoltre possibile ricostruire il trend dell’energia elettrica prodotta e quantificare la cumulata dell’energia aggiuntiva prodotta a parità di condizioni. L’algoritmo applicato al modello è una rete neurale artificiale feed forward, strutturata secondo unità di calcolo semplici chiamate neuroni, che una volta collegate tra di loro sono in grado di rappresentare e generalizzare il comportamento di sistemi altamente complessi e non lineari.

Il background industriale e di processo dei tecnici di Mipu, formati come Data Scientist ma provenienti da esperienze di studio e lavoro in campo, assicura che la soluzione di AI non sia asettica, ma studiata con attenzione rispetto ai parametri di processo, alla storia manutentiva dell’impianto e a un attento approfondimento sul processo e sul sistema in esame. In questo modo, i Data Scientist di Mipu sono in grado non solo di definire carte di controllo valide per l’intercettazione di inefficienze, ma anche di validarle in funzione di quanto accaduto in campo, confermandone o ridefinendone la sensibilità.

Applicazione n. 2. Treni in sicurezza, grazie alla manutenzione predittiva con il Machine Learning

Questo caso studio descrive l’uso di tecniche di analisi predittiva per prevedere i guasti dei macchinari, con l’obiettivo di migliorare la sicurezza e ridurre i tempi di fermo dell’impianto. L’azienda è una pmi impegnata nella costruzione, nella distribuzione e nella manutenzione di attuatori elettromagnetici utilizzati principalmente in ambito trasporti, con un parco installato di 10mila attuatori, distribuiti su tutto il territorio europeo. Allineata ai principi di Industria 4.0, questa azienda è fortemente impegnata a investire con l’obiettivo di creare un’infrastruttura affidabile per la manutenzione predittiva degli asset.

Per soddisfare standard di efficacia ed efficienza elevati, la manutenzione deve essere gestita con precisione e un approccio predittivo è altamente desiderabile e consigliato per garantire un intervento tempestivo. Gli attuatori sono dispositivi elettromeccanici che guidano gli aghi che costituiscono lo scambio tra due binari in diverse posizioni, permettendo così al mezzo di trasporto (treno, tram o metropolitana) di passare tra binari diversi.

Lo stato dell’arte nel monitoraggio delle condizioni degli attuatori consiste in sistemi di allarme basati su soglie fisse applicate alla lettura dei sensori elettrici, che spesso non garantiscono il rilevamento precoce di anomalie: in genere, il superamento di una soglia elettrica è una conseguenza che il guasto è già successo.

L’azienda ha richiesto di implementare un sistema di manutenzione predittiva basato sull’intelligenza artificiale, al fine di essere in grado di prevedere i guasti degli asset, riducendo così i tempi di guasto e diminuendo i problemi di circolazione dei treni.

Sistema di acquisizione IoT

I dati degli attuatori sono stati raccolti da un sistema di acquisizione IoT, già installato prima dell’inizio di questo lavoro, e archiviati in un database. I dati consistevano in curve di corrente-tensione per ogni manovra dell’interruttore, definite “da normale a inverso” o “inverso a normale” a seconda della posizione degli aghi all’inizio della manovra.

Inoltre, dal 2017 l’azienda ha fornito i registri dei file degli allarmi dovuti ai guasti della macchina e i registri di manutenzione, consentendo di identificare i periodi di normali condizioni operative (NOC) per ogni macchina. Per soddisfare la richiesta di questa pmi, Mipu ha proposto l’implementazione di un framework AI, costituito da algoritmi di machine learning addestrati per eseguire il rilevamento di anomalie, basato su misurazioni in tempo reale della corrente e della tensione.

Dopo la validazione, la soluzione è stata installata per elaborare i dati in tempo reale e utilizzata per monitorare un primo set di 66 macchine. Ogni volta che l’algoritmo rileva un comportamento anomalo di una macchina, viene inviata una notifica al team di manutenzione per la verifica sul campo.

Per imparare a rappresentare le manovre di un attuatore durante il NOC, le prime 200 manovre immediatamente successive a ogni manutenzione sono state adottate per l’addestramento dell’algoritmo e quelle rimanenti (fino al prossimo evento di manutenzione) sono state utilizzate per la validazione. Una manovra era considerata anomala se la sua distanza di Mahalanobis era superiore a una soglia definita sul set di allenamento.

In conclusione, la soluzione installata sull’attuale sistema di allerta e basata su modelli di AI per l’analisi dei segnali elettrici rappresenta un buon candidato per aiutare il rilevamento e la previsione dei guasti, migliorando eventualmente la gestione della manutenzione e di conseguenza incidendo sulla riduzione dei costi insieme a sicurezza e miglioramento del servizio.

I risultati sulle macchine utilizzate per i test hanno mostrato che l’algoritmo era in grado di prevedere l’80% dei guasti con 3-4 mesi di anticipo. Il 20% restante dei guasti si è verificato in un periodo di tempo troppo vicino (meno di 15 giorni) all’intervento di manutenzione. Questo risultato ha portato alla luce la necessità di definire migliori standard di manutenzione per i centri di assistenza tecnica, il cui intervento non è direttamente supervisionato del produttore.