Manutenzione predittiva, con IA e sensori IoT Wärtsilä Italia prevede guasti e fermi macchina

Migliorare la manutenzione predittiva dei motori e ottimizzare i processi di produzione aziendale per i componenti critici. Questi gli obiettivi raggiunti da Wärtsilä Italia, parte della società finlandese Wärtsilä Corporation, leader mondiale nella fornitura di soluzioni e sistemi di propulsione e generazione di energia per uso marino e terrestre, che ha sviluppato AGOP e SVAS, due progetti di ricerca con un investimento di circa 600 mila euro, a fronte di un contributo stimato in 250 mila euro cofinanziati nell’ambito del Bando IRISS promosso da SMACT Competence Center, che ha sede a Padova. Entrambi i progetti hanno visto la collaborazione con la Scuola Internazionale Superiore di Studi Avanzati (SISSA) di Trieste.

Il primo progetto, AGOP – acronimo di “Algoritmi Generalizzati per l’Ottimizzazione dei processi di Produzione” – ha sviluppato una soluzione per ottimizzare il processo di produzione dei componenti critici attraverso l’analisi dei dati, sia sintetici che reali, provenienti dalle macchine di lavorazione meccanica. Wärtsilä attraverso il progetto AGOP mirava a creare un dataset comune e condiviso – ovvero un insieme di dati organizzati – per l’addestramento di algoritmi predittivi in grado di anticipare anomalie e generare alert intelligenti, prevenendo fermi macchina e possibili difetti che si potrebbero manifestare durante la lavorazione meccanica di elementi critici per l’azienda.

Per la realizzazione del progetto si sono susseguite quattro fasi: la prima si è concentrata sulla definizione dell’architettura. Con la seconda fase si è passati all’analisi dei dati esistenti e successivamente a quella dei dati sintetici, mettendoli a disposizione dell’algoritmo di machine learning. È stata poi effettuata una migrazione dei dati storici provenienti da server locali verso un’infrastruttura cloud. Parallelamente, è stato definito il dataset da utilizzare per le prime analisi esplorative. Infine, si è andati a realizzare e integrare il dataset di dati sintetici, creati sulla base dei dati reali a disposizione. Per l’ultima fase di sviluppo ci saranno validazione e valutazione dei modelli di machine learning implementati, confrontando i risultati ottenuti con le prestazioni precedenti della macchina.

«Gli obiettivi iniziali del progetto sono stati raggiunti, dimostrando l’efficacia dell’approccio basato su algoritmi di machine learning nell’analisi dei dati macchina – spiega Samuel Di Carlo, Application Owner in Wärtsilä Italia –. Abbinare dati reali e dati sintetici per dare rapidamente risultati ai nuovi casi d’uso sarà fondamentale. I dati sintetici rappresentano una grande opportunità per lo sviluppo di nuovi modelli di intelligenza artificiale, si stima che nei prossimi anni la mole dei dati reali a disposizione terminerà e in quel caso i dati sintetici saranno indispensabili. Inoltre, la condivisione di questi algoritmi con le pmi del territorio potrebbe andare a ridurre il gap tecnologico tra piccole e grandi aziende, cosi da aumentare il valore di tutta la catena produttiva».

Come anticipato, Wärtsilä Italia si è concentrata anche nello sviluppo di un secondo progetto legato, invece, al potenziamento delle capacità aziendali di manutenzione predittiva. Denominato SVAS – acronimo di “Smart Vibration Assessment Service” – il progetto di ricerca ha sviluppato un sistema di analisi dati e manutenzione predittiva dei motori Wärtsilä basato su sensori di vibrazioni IoT, algoritmi e tecniche di machine learning.

Wärtsila attraverso SVAS ha sviluppato internamente un sensore di vibrazione wireless IoT che prevede in anticipo eventuali guasti analizzando le vibrazioni dei motori. Questo sistema è capace di raccogliere, organizzare e interpretare grandi quantità di dati – Big Data – per garantire una gestione più efficiente e affidabile dei macchinari, sia per gli stabilimenti sia per i clienti.

Come AGOP, anche il progetto SVAS è stato suddiviso in più fasi: nella prima parte del progetto il team si è focalizzato su prototipazione, industrializzazione e test del sensore wireless proprietario, lo Smart Vibration Tool. In parallelo, grazie alla collaborazione con SISSA sono stati valutati diversi algoritmi di AI e machine learning per prevedere guasti meccanici, utilizzando dati vibrazionali del dataset comune. È stato poi sviluppato un banchetto prova dedicato alla costruzione di un dataset di misure utile per studiare la robustezza degli algoritmi già selezionati. Inoltre, l’integrazione tra tecniche di elaborazione del segnale e AI rappresenta una soluzione efficace per la manutenzione predittiva, con potenziali benefici in termini di affidabilità, riduzione dei fermi macchina e ottimizzazione della manutenzione.

«In Wärtsilä siamo convinti che sia terminata l’era in cui i sistemi di rilevamento e analisi delle vibrazioni basati su predizione e Machine Learning erano accessibili a pochi – dichiara David Bogatec, Engine Technical Expert per il Global Technical Services in Wärtsilä Italia -. Nell’era dell’Industria 4.0 e dell’IoT, la nostra visione è chiara: vogliamo condividere con il territorio il futuro della manutenzione predittiva basata sulle vibrazioni, rendendola una realtà economicamente sostenibile e tecnicamente attuabile per tutti».