,allowExpansion)
Predictive maintenance
Benchè da un punto di vista IT la Predictive Maintenance sia una sfida tutta sui Big Data, essa richiede le competenze su molti altri settori tecnologici: Network e Telecomunicazioni, Architettura IT, IoT, Cloud Computing e Security. Reply ha una comprovata esperienza in tutti i settori che sono rilevanti per la Predictive Maintenance.
La sfida dei Big Data
Il volume di dati generati da un impianto industriale altamente complesso è enorme. Questi dati sono di solito caratterizzati dalle 5V.
Variety
L'integrazione di differenti fonti di dati come anche la necessità di integrare dati non strutturati sono sfide che i tradizionali database relazionali difficilmente sono in grado di gestire. Questo accade specialmente perché il sistema deve essere abbastanza flessibile da integrare in futuro fonti inattese di dati. Nel contesto della manutenzione predittiva, invece, audio, video, dati radar, immagini, ecc… possono essere utilizzati in combinazione con altri data sensor.
Volume
Reti di sensori su larga scala in impianti industriali o reti di controllo nei veicoli, producono quantità di dati delle dimensioni di zettabytes, e anche brontobytes. Il volume dei dati è troppo grande perché siano essere memorizzati e processati con i tradizionali modelli di database. Utilizzando sistemi distribuiti (come Hadoop), i database si stanno trasformando in reti.
Veracity
Non tutti i dati sono veritieri, e le fonti possono ingannare. La sfida con i Big Data è quella di sviluppare modelli in grado di considerare i dati buoni ed eliminare quelli cattivi. Errori di misura, per esempio, devono essere individuati ed eliminati sulla base di modelli basati su dati storici.
Value
Il dato in sè non contiene alcun valore – il valore è generato da come esso viene utilizzato. In ogni progetto di manutenzione predittiva tra le principali sfide vi è quella di individuare le giuste variabili fra le enormi quantità di dati accessori ridondanti e determinare la raffinatezza dei modelli.
Velocity
I processi di produzione funzionano in tempo reale. I dati collezionati sono caratterizzati da high temporal granularity e richiedono l'elaborazione in tempo reale, in quanto servono a regolare un processo in corso e ad intervenire prima che i parametri raggiungano livelli critici.
Data sources and infrastructures
L'obiettivo è quello di garantire che l'infrastruttura IT risponda effettivamente alle esigenze da soddisfare. La grande sfida consiste nell'estendere i database classici non relazionali con dati non strutturati.
La scelta del layout dell'architettura dipende principalmente da quanto velocemente I dati generati devono essere trasformati in azioni tramite la fase di analisi e quale grado di automazione del processo deve essere raggiunto. Questa domanda, come la scelta delle fonti di dati rilevanti, non può essere generalizzate e dipende in gran parte dal caso d'uso specifico (dell'industria).
)
,allowExpansion)
Data exploration and modelling
Obiettivi e possibilità sono valutati tenendo in considerazione vari aspetti di business, tecnici, legali e legati all'IT. Esperti dai vari campi devono incontrarsi e sviluppare nuove idee. Una volta che gli obiettivi sono stati determinati, i data scientists sviluppano modelli statistici che definiscono ed integrano tutte le variabili in modo tale da prevedere quando si verificherà il guasto di una componente di un motore o di una macchina.
I modelli vengono poi testati e verificati su dati reali disponibili: questo consente di valutare la qualità del modello che potrà così essere ulteriormente affinato.
Process integration
I risultati delle previsioni e delle analisi devono essere integrati nei processi aziendali. Gli operatori devono avere accesso tempestivo ai giusti strumenti e ci deve essere un'interfaccia utente che consenta loro di individuare la scelta migliore.
La scelta degli strumenti adatti dipende dal grado di automazione desiderato, cioè come e quanto i dati vengono analizzati e interpretati dal personale e se il modello prevede poi un'esecuzione manuale o automatica delle attività di manutenzione.
)
Benchè da un punto di vista IT la Predictive Maintenance sia una sfida tutta sui Big Data, essa richiede le competenze su molti altri settori tecnologici: Network e Telecomunicazioni, Architettura IT, IoT, Cloud Computing e Security.
Reply ha una comprovata esperienza in tutti i settori che sono rilevanti per la predictive maintenance.
Reply contribuisce attivamente allo sviluppo degli standard per l'IoT, in quanto prerequisito per lo sviluppo dell'Industrie 4.0, e della manutenzione predittiva. Attraverso il suo impegno nella OPC Foundation Reply supporta la creazione degli standard di interoperabilità per l'automazione industriale.
L'esperienza e le competenze tecniche di Reply, maturate attraverso numerosi progetti, stanno aprendo nuovi orizzonti per lo sviluppo dell'Industrie 4.0 e, in questo contesto, la Predictive Maintenance deve essere considerata un acceleratore chiave.
Predictive maintenance in practice
,allowExpansion)
Wind farms
L’energia eolica è uno dei tipici esempi quando si parla di manutenzione predittiva. L’uso di sensori connessi tramite internet consente di eliminare quasi completamente le perdite dovuti a tempi di fermo non programmati delle turbine eoliche. Specialmente per le turbine nei parchi eolici all’estero, la sensoristica remota combinata con i modelli predittivi aiuta a ridurre il bisogno di controlli di routine sul posto e quindi a ridurre significativamente i costi di manutenzione.
,allowExpansion)
Commercial vehicles
La manutenzione predittiva basata sui dati provenienti da sensori aiuta a prevenire I tempi di fermo produzione nei cantieri o nel settore agricolo, per esempio, e riduce gli incidenti del settore logistico. I fornitori di veicoli commerciali possono inviare squadre di servizio in tempo, prima che il veicolo si rompa, e anche sviluppare modelli di business innovativo come il pay-per-performance.
,allowExpansion)
Connected cars
Attraverso l’uso di sensori interni all’automobile, queste sono in grado di determinare se uno dei sistemi è soggetto a malfunzionamenti o guasti. I dati generati ad esempio dalle reti di controllo possono essere trasmessi per ulteriori analisi e può essere attivato un promemoria sulla console per programmare un futuro controllo. Informazioni relative alla condizione dell’automobile possono essere trasmesse al laboratorio, così da preparare le parti e i materiali di ricambio ed iniziare la riparazione senza ritardi.
,allowExpansion)
Steel production
Seguendo l’approccio Design Thinking, è stato rilevato che, nella società di produzione di acciaio, i sensori già collezionavano tutti i dati generati dal processo di produzione. Tramite un set up basato sull’IoT-Technology e l’IT-Integration, integrando l’esperienza è il know-how degli ingegneri, la società ha potuto utilizzare attivamente questi dati per fare previsioni sulla qualità del materiale ed eliminare i difetti durante il processo riducendo significativamente i costi delle riparazioni.
)
Syskoplan Reply è la società del gruppo Reply focalizzata sui servizi di consulenza e implementazione su tecnologia SAP. Syskoplan Reply affianca i propri clienti nell’introduzione di soluzioni innovative a supporto dei processi, con orientamento specifico su SAP HANA, Internet degli Oggetti, Analytics real-time su piattaforma HANA e nuova user experience con SAP Fiori. Questo approccio è il punto eccellenza di Syskoplan Reply e principale riferimento per le aziende che intendono integrare Customer Engagement e Commerce, Digital Solutions e modelli Customer-Supplier centrici.