background

Use case Nuova Simonelli

 

Manutenzione predittiva

Il caso d’uso prevede lo sviluppo di nuovi modelli “smart” di utilizzo e manutenzione di macchine da caffè (Nuova Simonelli). Questo approccio permette una gestione del funzionamento (implementazione di azioni di ripristino e/o correzione delle modalità operative) anche da remoto poiché le macchine sono costantemente sotto controllo.
L’analisi dei parametri rilevati e associati ad uno specifico fault della macchina in fase di uso permette di derivare un algoritmo predittivo basato sull’intelligenza artificiale e sul machine learning in modo che sia possibile intervenire su una macchina prima del fault sostituendo i componenti di cui si prevede la rottura a breve. Queste attività permettono di raggiungere nuovi livelli di integrazione e avanzamento dei processi aprendoli a nuove funzionalità e servizi.
I temi che hanno la principale relazione con questo caso d’uso sono: AI e big data nell’ottica della manutenzione predittiva.
Integrazioni rispetto agli obiettivi del caso d’uso: sono stati selezionati due modelli di macchine da caffè prodotte da Nuova Simonelli con i relativi dati post-vendita. Sono stati considerati inoltre i relativi dataset di collaudo al fine della ricerca di eventuali correlazioni tra le manutenzioni delle macchine da caffè e i guasti in fase di esercizio presso i clienti. I dataset rappresentano gli elementi essenziali per contestualizzare l’ambito della ricerca in merito alle tecniche di Intelligenza Artificiale che possono essere applicate e la corretta scelta delle tecniche di analisi dei dati.
Sviluppo del caso d’uso: i dataset di collaudo e post-vendita delle macchine da caffè sono stati integrati nei processi di analisi dati al fine per l’addestramento dei modelli predittivi. Questi processi si caratterizzano per le fasi di ingegnerizzazione e l’individuazione delle caratteristiche nei dati che meglio descrivono i parametri di funzionamento delle macchine da caffè sia in fase di collaudo che di esercizio. Grazie all’analisi della correlazione rispetto ai guasti verificati nel tempo, è stato possibile addestrare modelli di Machine Learning
per poter riconoscere in automatico tali condizioni e anticiparle nel tempo.
Valorizzazione dei risultati: i modelli e le tecniche di analisi dei dati di collaudo e produzione sulle macchine da caffè hanno permesso di definire nuovi approcci alle tecniche di AI nel contesto industriale. Questo permette di migliorare ed efficientare gli interventi di manutenzione nel tempo rispetto ai classici interventi programmati.

Lube 1