Machine learning per la manutenzione predittiva, buoni risultati per la sperimentazione dell’IIC

L’Industrial Internet Consortium – IIC ha annunciato che sono state completate con successo le fasi 1 e 2 del testbed sul machine learning in ambito smart factory

Pubblicato il 23 Ott 2019

machine learning per comunicato

L’Industrial Internet Consortium – IIC ha annunciato che sono state completate con successo le fasi 1 e 2 del testbed sul machine learning in ambito smart factory per la manutenzione predittiva. Il progetto entra ora nella terza fase di vita rappresentata dalla sua distribuzione commerciale. Il team del testbed ha ottenuto due brevetti statunitensi, US10031500 e US20190258232A1 per “Dispositivo e sistema comprendente più dispositivi per la supervisione e il controllo di macchine in installazioni industriali”, l’uno relativo al dispositivo stesso e l’altro all’architettura.

Questo testbed è in uso presso un OEM del settore automobilistico e ha ottenuto due brevetti negli Stati Uniti.

Il testbed

I membri dell’IIC Aingura IIoT e Xilinx hanno sviluppato il testbed per valutare e convalidare le tecniche di machine learning per la manutenzione predittiva di macchine di produzione dedicate ad alti volumi di carico. Il testbed è stato impiegato con successo in ambienti manifatturieri presso stabilimenti di lavorazione e produzione OEM del settore automobilistico. Le tecniche di learning machine consentono a strutture dotate di macchinari specialistici per alti volumi di passare dalla manutenzione preventiva regolarmente programmata alla manutenzione predittiva, e ottimizzare così il funzionamento del sistema e l’utilizzo delle risorse.

“L’attuale metodologia di manutenzione preventiva non è efficiente in termini di costi e non risolve i problemi che portano al guasto del sistema”, ha dichiarato Dan Isaacs, Testbed Lead all’interno dell’IIC e Director of Customer Marketing di Xilinx. “Con la manutenzione predittiva, gli operatori possono essere allertati prima che il guasto del sistema si verifichi e, in alcuni casi, senza l’interazione dell’operatore, vengono evitati dispendiosi fermi linea non pianificati, migliorando l’efficienza energetica. Con Zynq UltraScale+ MPSoC al centro del sistema Aingura Insights di Aingura IIoT, il sensor hub, il Time Sensitive Networking (TSN) e le funzionalità di machine learning vengono eseguiti in modo efficiente ed efficace in un unico dispositivo”.

“Questo testbed si concentra sull’esplorazione dell’applicazione di tecniche di apprendimento automatico e di approcci algoritmici che utilizzano nuove tecnologie innovative”, ha detto Javier Díaz, Testbed Lead dell’IIC e CTO di Aingura IIoT. “Con un’analisi adeguata, le informazioni possono fornire una vasta gamma di dettagli sull’operatività di un sistema aziendale e sui costi complessivi di gestione e manutenzione. Inoltre, le aziende possono  far beneficiare i loro clienti dei risparmi ottenuti durante la produzione dei prodotti”.

Il testbed è anche menzionato nel libro dal titolo “Applicazioni industriali di Machine Learning”, di cui Díaz è l’autore. I risultati del banco di prova sono pubblicati anche nel Giornale dell’Innovazione dell’IIC, “Rendere le fabbriche più intelligenti attraverso il machine learning”, e nel Giornale dell’IEEE, “Clustering dei flussi di dati con modelli dinamici di mixaggio gaussiano: un’applicazione dell’IoT nei processi industriali”, 24 maggio 2018.

Valuta la qualità di questo articolo

P
Nicoletta Pisanu

Giornalista, collabora da anni con testate nazionali e locali. Laureata in Linguaggi dei Media e in Scienze sociali applicate all'Università Cattolica di Milano, è specializzata in cronaca.

email Seguimi su

Articoli correlati

Articolo 1 di 5