Stimare l’affidabilità di un impianto produttivo di lavorazione lamiera tramite Intelligenza Artificiale

Gli autori della ricerca approfondiscono un tema di gestione dell’impianto, sempre di elevato interesse, grazie all’ausilio delle nuove tecnologie. Ma l’intelligenza artificiale permette interessanti applicazioni anche nell’ambito delle analisi affidabilistiche

Un impianto produttivo di successo deve essere progettato per fornire la migliore qualità ad un costo ottimale. Tuttavia, i macchinari possono essere soggetti a guasti per diverse ragioni, diventa così obbligatorio fare i conti con l’affidabilità, le manutenzioni e la ridondanza per assicurare continuità ed efficienza produttiva. Inutile ricordare come i guasti improvvisi o i fermi macchina possano risultare particolarmente onerosi, spingendo a considerare fondamentale la manutenzione per poter assicurare elevati standard di affidabilità.

Anche in questo campo le moderne tecnologie possono venirci in aiuto, supportando nei calcoli e nell’analisi di grandi volumi di dati per riuscire a stimare l’affidabilità dei sistemi e degli impianti. Il mondo della ricerca propone infatti interessanti applicazioni delle nuove tecnologie per supportare nella risoluzione di problemi per la gestione degli impianti produttivi.

Analisi affidabilità

L’analisi dell’affidabilità permette di stimare, su base statistica, la disponibilità degli impianti e di studiare l’interazione tra singoli macchinari per poter introdurre concetti come la ridondanza o l’ottimizzazione delle manutenzioni.

Due metodologie vengono solitamente utilizzate per queste analisi, la prima è quella binaria (“binary-state system” o BSS) che prevede solamente due stati: perfetto funzionamento o guasto. La seconda metodologia è invece più complessa e prevede diversi stati (“multi-state system” o MSS) in caso gli impianti possano lavorare ad efficienza ridotta, senza però fermare completamente la produzione.

Queste metodologie sono utili per effettuare una misura pratica di affidabilità e profittabilità dei sistemi produttivi, permettendo così di valutare strategie ed altre misure per far fronte ad eventuali guasti. Tuttavia, le metodologie tradizionali di valutazione dell’affidabilità si basano su alcune assunzioni riguardo alle distribuzioni statistiche dei differenti stati, al tasso di guasto e di riparazione.

Un impianto produttivo per la lavorazione della lamiera deve solitamente lavorare a ciclo continuo per gran parte della sua vita utile per soddisfare le richieste di mercato e perciò vi è la tendenza a deteriorarsi rapidamente. Questo provoca complesse relazioni tra i parametri di affidabilità come il tasso di guasto, tasso di riparazione e distribuzione degli stati rispetto al tempo. Inoltre, per garantire ed ottimizzare la profittabilità, è necessario aggiornare frequentemente le analisi di affidabilità a causa della loro complessità.

Per queste ragioni gli autori della ricerca propongono di utilizzare un modello di Intelligenza Artificiale in grado di apprendere e modellare questo complesso sistema. Questo modello è infatti capace di effettuare una previsione sui futuri stati di disponibilità dell’impianto ed adattarsi ai cambiamenti.

Modellazione dell’impianto

I ricercatori hanno preso in considerazione un tipico impianto per la lavorazione della lamiera attivo 24 ore al giorno su 7 giorni lavorativi alla settimana. Le diverse fasi della lavorazione sono state rappresentate in uno schema a blocchi (Figura 1a) per poter effettuare le stime di affidabilità. La prima fase è composta da una sequenza di operazioni tradizionali (piegatura, punzonatura ecc.), successivamente si arriva ad una seconda e terza fase che è in configurazione di parallelo.

Questo significa che, per queste fasi, è possibile avere una scelta di processo e, in caso di guasto di un macchinario, è possibile avere un’alternativa per evitare di dover fermare l’intero impianto. Una volta definito lo schema a blocchi dell’impianto è possibile creare il diagramma di stati del sistema (Figura 1b).

Questo diagramma, partendo dallo stato P₀, in cui tutti i sistemi sono correttamente funzionanti, prevede tutte le possibili configurazioni del sistema tracciandone i tassi di guasto (λ) e di riparazione (µ). Questi strumenti sono un prezioso supporto in caso di analisi di affidabilità. Quando un macchinario si guasta, le perdite economiche in cui si può incorrere sono alte, perciò avere chiara la strategia per la manutenzione e la riparazione diventa fondamentale.

Reti neurali e affidabilità

Le reti neurali artificiali (“Artificial Neural Network” o ANN in inglese) sono tecniche di Intelligenza Artificiale progettate per riprodurre il funzionamento del cervello umano. Si tratta di sistemi che lavorano ricevendo alcune informazioni in ingresso e sono in grado di restituire un risultato a seguito di valutazioni anche particolarmente complesse.

La vera forza di questi modelli è quella di apprendere autonomamente le relazioni presenti per ottenere il risultato desiderato. Nella fase di addestramento il modello lavora iterativamente per ridurre lo scarto, così da offrire la migliore stima possibile del risultato in output. Nello specifico gli autori propongono un semplice schema di rete neurale (Figura 2) in grado di stimare lo stato di funzionamento dei macchinari d’impianto.

A partire dall’attuale stato di funzionamento dei macchinari, è possibile ottenere una probabilità del funzionamento di essi nei prossimi mesi. Questo schema permette di stimare gli stati dell’impianto a partire da differenti condizioni ed assunzioni, supportando così nelle analisi di affidabilità.

Analisi di profitto

Interessante utilizzare il modello di affidabilità dell’impianto produttivo per effettuare un’analisi del profitto, così da poter effettuare considerazioni sulle strategie di manutenzione. Infatti, ottimizzare i costi permette di incrementare i profitti.

Per modellare il costo orario delle manutenzioni, i ricercatori individuano un costo di riparazione preventiva ed intervento e un costo dovuto al fermo macchina. Successivamente vengono ipotizzati tre scenari per la manutenzione: manutenzione preventiva di livello superiore, manutenzione minima e nessuna manutenzione. Il risultato della simulazione ottenuta tramite il modello di Intelligenza Artificiale mostra la variazione del profitto previsto in funzione del tempo (Figura 3).

Viene dimostrato, come prevedibile, che se il sistema continua senza sottoporsi ad alcuna manutenzione preventiva, il profitto crollerà rapidamente ad un certo periodo a causa del degrado dei macchinari, portando quindi inevitabilmente alla necessità di una manutenzione correttiva. Ancora più interessante valutare la differenza dei due scenari che prevedono manutenzioni: nel caso di interventi di alto livello i costi della manutenzione sono doppi rispetto al caso base.

Tuttavia, la funzione totale riporta un profitto maggiore nel lungo termine, poiché viene aumentata la disponibilità dei macchinari.

Gli autori della ricerca approfondiscono un tema di gestione dell’impianto, sempre di elevato interesse, grazie all’ausilio delle nuove tecnologie. L’intelligenza artificiale permette interessanti applicazioni anche nell’ambito delle analisi affidabilistiche.

Quando si devono effettuare stime su sistemi complessi, la tecnologia può essere un grande alleato grazie alla capacità di gestire grandi volumi di dati oltre che per creare modelli specializzati. In un contesto industriale sempre più difficile è fondamentale poter effettuare valutazioni sfruttando tutte le informazioni a disposizione, così da poter offrire un servizio di livello superiore, ottimizzando i costi e riducendo le inefficienze aziendali.