Manutenzione predittiva a un nuovo livello
In collaborazione con aziende come WinGD e partner di ricerca come la NASA, il gruppo Intelligent Maintenance Systems sta sviluppando nuovi metodi per prevedere i guasti delle macchine. Manuel Arias Chao illustra il suo progetto, che presenterà alla Smart Maintenance Conference di quest'anno all'ETH di Zurigo.
![manutenzione predittiva](/de/wirtschaft/industry/news/data/2019/08/predictive-maintenance-auf-einem-neuen-level/_jcr_content/news_content/fullwidthimage/image.imageformat.930.218563265.jpg)
Perché WinGD (Winterthur Gas & Diesel) ha avviato il progetto?
WinGD sviluppa motori a gas per grandi navi da carico. Quando si gestiscono sistemi così complessi, sorgono molte domande: quando è necessario effettuare la manutenzione delle macchine? Un componente si guasterà? La vita utile di una macchina sta per finire? ? necessario modificare il regime operativo di una macchina per ritardare il momento del guasto?
Attualmente WinGD utilizza un software di diagnostica e risoluzione dei problemi basato su regole. Basato su regole significa che gli ingegneri hanno creato delle regole che definiscono come affrontare i problemi. WindGD sta progettando di digitalizzare i propri impianti e di implementare il monitoraggio remoto delle macchine. In questo contesto, l'apprendimento automatico verrà utilizzato per rilevare e localizzare i guasti. Per questo motivo, WinGD ha avviato un progetto congiunto con la professoressa Olga Fink, pioniera nel campo della diagnosi e della prognosi dei sistemi complessi. Nell'ambito di questo progetto sto lavorando come dottorando su un nuovo approccio ibrido.
Cosa c'è di speciale nel vostro approccio? Perché lo definite ibrido?
In generale, l'obiettivo è riconoscere le anomalie nei dati dei sensori. Le macchine sono solitamente dotate di molti sensori, soprattutto nell'era emergente dell'IoT (Internet of Things). Questi sensori forniscono dati sui parametri di processo (ad esempio, temperatura, vibrazioni, velocità). L'usura dei componenti influenza il comportamento della macchina. Gli algoritmi possono riconoscere questi cambiamenti e quindi diagnosticare i guasti o, in una fase successiva, prevedere i guasti futuri.
Esistono due approcci al rilevamento dei guasti: l'utilizzo di modelli guidati dai dati o di modelli fisici. I modelli data-driven si basano su dati di monitoraggio o su regole empiriche:
- Dati di monitoraggio: Dai dati grezzi dei sensori viene creato un modello numerico.
- Regole empiriche: Eseguite test in laboratorio e ottenete correlazioni basate su parametri fisici.
L'uso di modelli fisici è molto complicato, soprattutto per i sistemi di grandi dimensioni, e può aumentare significativamente i costi di processo. Per questo motivo, di solito vengono sviluppati solo per dispositivi costosi o sensibili. Le complesse simulazioni fisiche richiedono calcoli lunghi e non sono quindi adatte a tutti i tipi di monitoraggio online.
Il nostro nuovo approccio consiste nel combinare modelli basati sui dati con modelli fisici (vedi immagine). Utilizziamo la fisica nella misura in cui è adatta a un ambiente online. Ad esempio, utilizziamo un modello termodinamico in cui il calcolo richiede solo millisecondi. Oltre a questo aspetto ibrido, stiamo cercando di sviluppare ulteriormente la parte del modello basata sui dati. I nostri nuovi modelli sofisticati si basano sull'apprendimento profondo e sulle reti neurali.
![modello diagnostico di deep learning](/de/wirtschaft/industry/news/data/2019/08/predictive-maintenance-auf-einem-neuen-level/_jcr_content/news_content/fullwidthimage_713210579/image.imageformat.930.245926748.jpg)
Lei collabora anche con la NASA per i suoi progetti di ricerca. Perché la NASA è interessata alle sue ricerche?
La NASA è particolarmente interessata al nostro approccio ibrido e alla sua applicazione ai motori a turbina. Abbiamo condotto una collaborazione di nove mesi con il Prognostics Centre of Excellence (PCoE) della NASA Ames. Sono stato a Mountain View per i primi tre mesi di quest'anno. Durante la mia permanenza, ci siamo concentrati sullo sviluppo di un nuovo set di dati per testare il metodo e sviluppare ulteriormente la struttura ibrida.
Avete testato i vostri algoritmi con i vostri partner?
Abbiamo testato i nostri algoritmi con set di dati WinGD e NASA. Questi test hanno dimostrato che riconosciamo gli errori con maggiore precisione rispetto ai metodi standard. Inoltre, siamo in grado di distinguere tra diversi tipi di errori (vedi immagine). WinGD intende implementare la nostra soluzione nella prossima versione del suo software di diagnostica e risoluzione dei problemi.
Attualmente stiamo sviluppando il nostro approccio ibrido dalla diagnosi alla previsione. Lo presenterò alla Smart Maintenance Conference dell'ETH di Zurigo il 3 settembre.
![segmentazione](/de/wirtschaft/industry/news/data/2019/08/predictive-maintenance-auf-einem-neuen-level/_jcr_content/news_content/fullwidthimage_407503417/image.imageformat.930.1390321064.png)
Chi siamo sulla Smart Maintenance Conference.
La professoressa Olga Fink organizza questa conferenza per la terza volta. Vogliamo promuovere lo scambio tra industria e scienza. Le presentazioni saranno tenute da rappresentanti di note aziende e da esperti universitari. Ci auguriamo di incontrare i principali attori della ricerca e dell'industria e di discutere con loro le sfide e gli sviluppi nel campo della manutenzione predittiva.
Contatto / Link:
pagina esternaConferenza sulla manutenzione intelligente 2019
Prof Olga Fink, Gruppo Sistemi di manutenzione intelligenti dell'ETH
Siete interessati ad altre emozionanti "Notizie per
Storie di "industria"?
pagina esternaIscriviti alla nostra newsletter
pagina esternaSeguici su LinkedIn
Cercate partner di ricerca presso l'ETH di Zurigo?
Contattateci Relazioni industriali dell'ETH.