Soluzioni MathWorks per la manutenzione predittiva

Panoramica

La manutenzione predittiva rappresenta un approccio che si fonda sull’individuazione anticipata del deterioramento delle condizioni di un asset industriale, basata sui dati che la macchina stessa produce nel corso del suo funzionamento reale (data-driven). Grazie a tale approccio si è in grado di determinare se è effettivamente necessario pianificare un intervento manutentivo, evitando sia i guasti che le manutenzioni inutili. Per fare questo è necessaria una rivalutazione dell’acquisizione dei dati, di come questi vengono analizzati, e infine di come il risultato dell’analisi viene incorporato nel framework del processo industriale. Questa rivalutazione può comportare delle sfide, tra cui:

• Come e dove iniziare;
• Mancanza di dati di guasto;
• Varietà di modelli predittivi tra cui scegliere;
• Integrazione degli algoritmi con le infrastrutture di produzione esistenti.

In questo seminario verranno presentate le soluzioni che MathWorks offre per la manutenzione predittiva, e in particolare alle sfide comuni sopraelencate. Nella presentazione si toccheranno soluzioni tecniche per ogni fase del flusso di lavoro, tra cui:

• Accesso e pre-processing dei dati provenienti da basi dati eterogenee;
• Estrazione degli indicatori di salute;
• Addestramento e validazione di modelli predittivi;
• Deployment degli algoritmi predittivi su sistemi embedded, edge, desktop o cloud;
• Utilizzo di digital twin come ausilio per generare dati di guasto.

Informazioni sul relatore/sui relatori

Gianluca Carnielli è Application Engineer in MathWorks dal 2019, e si focalizza su pratiche di sviluppo software in MATLAB, in particolare nell’area della manutenzione. Prima di entrare in MathWorks, Gianluca ha conseguito gli studi di dottorato in fisica spaziale presso l’Imperial College London.