Prevedere con anticipo l’insorgenza di un guasto per avere il tempo di organizzare in maniera tempestiva gli interventi dei tecnici e l’approvvigionamento di pezzi di ricambio. È questo in estrema sintesi il cuore della soluzione di Manutenzione Predittiva sviluppata da Moxoff, basata su algoritmi sviluppati ad hoc, applicati attraverso tecniche di Functional Data Analysis.
La soluzione, presentata ai Digital360 Awards 2020 e finalista per la categoria Machine Learning e Intelligenza Artificiale, è stata adottata da un’azienda consumer di elettrodomestici che ha deciso di investire nello sviluppo di prodotti IoT connessi (lavatrici, asciugatrici, lavastoviglie, frigoriferi, forni eccetera), per raccogliere informazioni strategiche per lo sviluppo di servizi innovativi. L’intenzione dell’azienda era trovare un modo di valorizzare il suo patrimonio informativo per sviluppare un modello di manutenzione predittiva per prevedere in anticipo l’insorgenza di un guasto, con l’obiettivo ultimo di migliorare la qualità dei prodotti e dei servizi annessi.
A beneficiare dell’adozione di questa soluzione è il Servizio di Assistenza, che adesso è in grado di garantire un servizio post-vendita e manutenzione a domicilio veloce e affidabile. Ricadute positive ci sono poi anche per il dipartimento di Product Marketing, che può sfruttare l’analisi del reale utilizzo dei prodotti per sviluppare nuove funzionalità, e per la Supply Chain: conoscere con anticipo i possibili guasti consente, infatti, di migliorare la pianificazione dell’approvvigionamento dei pezzi di ricambio.
Così gli elettrodomestici forniscono informazioni
Grazie alla connessione Wifi di casa, con la soluzione di Moxoff i moderni elettrodomestici forniscono in tempo reale informazioni sul loro stato di funzionamento: caratteristiche tecniche, programmi e impostazioni selezionati dall’utente, misurazioni di sensori montati a bordo macchina. I dati, raccolti in cloud, sono salvati nel Data Lake aziendale dove vengono analizzati dagli algoritmi che monitorano in tempo reale lo stato di funzionamento degli elettrodomestici, riconoscendo i pattern di degrado, precursori di malfunzionamenti e guasti. L’algoritmo è in grado di prevedere con sufficiente anticipo più del 50% dei guasti, mantenendo il numero di falsi warning sotto il 10%. Inoltre, è segnalata non solo l’insorgenza di una rottura, ma anche la tipologia.
In particolare, l’analisi dei dati avviene secondo una specifica pipeline automatizzata che sfrutta un Cluster Apache Spark per le prime fasi di pre-processing dei dati in combinazione con algoritmi avanzati di analisi codificati in R che implementano un modello di Machine Learning supervisionato per la previsione della Remaining Useful Life (RUL) della macchina.
Grazie alla dashboard sviluppata è possibile visualizzare le macchine per cui è stato previsto un guasto imminente e fare un’ispezione più approfondita dei dati attraverso viste dedicate, capaci di fornire informazioni utili per chi pianifica gli interventi di manutenzione.
Le fasi salienti del progetto
Sono 3 la fasi in cui si è articolato il progetto di Moxoff: realizzazione di una Proof of concept (PoC) su un modello specifico di elettrodomestico per costruire il modello predittivo e sviluppare l’algoritmo, estraendo informazioni rilevanti dai dati raccolti dai sensori presenti sulle macchine; sviluppo, irrobustimento della pipeline di analisi e delle tecniche individuate; progettazione e realizzazione di un’applicazione web (dashboard) fruibile in modo semplice da remoto.
Per applicare sulle curve dei sensori avanzati algoritmi di anomaly detection, che rilevano la presenza di valori di picco e scostamenti rispetto al tracciato “ideale” del sensore, sono state utilizzare tecniche di Functional Data Analysis: in questo modo è stato possibile individuare comportamenti anomali, che possono comportare guasti.
La Functional Data Analysis ha permesso, infatti, di automatizzare la definizione dei tracciati ideali operando in maniera completamente data-driven a partire da misurazioni effettuate su macchine senza anomalie. Questo ha permesso un enorme guadagno in termini di efficienza evitando di dover effettuare manualmente il tagging dei dati o la definizione del comportamento ideale.
