I progressi nella tecnologia di condition monitoring hanno cambiato il modo in cui le imprese industriali provvedono alla gestione e manutenzione dei loro macchinari. Analizzando fattori quali livelli di vibrazione, variazioni di temperatura e consumi di energia, gli operatori ottengono indicazioni precoci di potenziali danneggiamenti. Questo consente di pianificare ed eseguire interventi di manutenzione tempestivi, volti a massimizzare i tempi di attività e ridurre i fermi di produzione.

Automatizzare il condition monitoring non è tuttavia un’impresa semplice: “In laboratorio è facile studiare e capire la relazione esistente tra segnali di vibrazione e determinati tipi di guasti dei cuscinetti. Ma quando si è in un ambiente di produzione è molto più impegnativo, e ci vuole un ingegnere dell’applicazione con diversi anni di esperienza”, dichiara Karl Löwenmark, impegnato in un dottorato di ricerca presso la Luleå University of Technology.

Tra i suoi sponsor del mondo industriale ci sono alcuni dei più esigenti utilizzatori di condition monitoring. Oltre a SKF, ci sono infatti due importanti cartiere, ognuna delle quali impiega enormi macchine da carta equipaggiate con migliaia di sensori. “Le macchine a cui sto lavorando arrivano a misurare decine di metri di lunghezza”, sottolinea. “Una continua da carta è formata da numerose parti rotanti, che operano in condizioni difficili, in presenza di umidità e temperature elevate”. I segnali emessi dai sensori racchiudono quindi una notevole quantità di informazioni.

L’uso dell’IA nell’automazione del monitoraggio delle condizioni dei cuscinetti ha un notevole potenziale

Cees Taal, ricercatore senior, SKF Research and Technology Development

“Per diagnosticare un potenziale cedimento analizzando i segnali provenienti dalle macchine ci vuole grande abilità e competenza, perché la quantità di dati può essere ingente”, continua. Capita infatti che gli analisti debbano dedicare molto del loro tempo per individuare falsi allarmi e indicazioni errate prima di identificare e diagnosticare un guasto potenziale.

Iniziato nel 2020, il progetto di dottorato di Löwenmark mira a esplorare come le tecnologie emergenti di Intelligenza Artificiale, IA, possano agevolare il lavoro degli analisti esperti, affinché abbiano più tempo per svolgere le attività a valore aggiunto che contribuiscono a un funzionamento più affidabile delle cartiere. In questo modo si eliminerebbe, tra l’altro, un grosso limite a una più ampia adozione del condition monitoring, poiché spesso mancano i tecnici con le conoscenze e l’esperienza necessarie per utilizzare questi sistemi.

“L’uso dell’IA nell’automazione del monitoraggio delle condizioni dei cuscinetti ha un notevole potenziale”, commenta Cees Taal, ricercatore senior del team di diagnostica e prognostica, SKF Research and Technology Development di Houten, Paesi Bassi, nonché co-sponsor del progetto. “Tuttavia, la sua applicazione in questo campo è meno semplice che in quelli della visione e del linguaggio”.

Dice Löwenmark: “Il mio progetto ha coinciso con un periodo di grandi evoluzioni nelle tecnologie di IA. All’inizio i modelli linguistici di grandi dimensioni come il sistema GPT di OpenAI erano nelle prime fasi di sviluppo e non erano accessibili al pubblico come lo sono oggi. Molto del mio lavoro consiste nello studiare come trasferire e applicare i progressi degli ultimi quattro anni alle sfide specifiche del settore”.

Dalle immagini ai segnali

Nell’ultimo decennio è stato fatto un notevole passo avanti nella classificazione e nel rilevamento degli oggetti all’interno delle immagini. Tuttavia, applicare queste funzionalità all’analisi dei dati di condition monitoring per diagnosticare il cedimento incipiente di un cuscinetto è tutt’altro che semplice. La prima sfida consiste nel dire al modello IA cosa cercare. “Questi sistemi sono stati addestrati con enormi quantità di dati”, spiega Löwenmark. “Le aziende di IA costruiscono grandi set di dati di addestramento utilizzando esempi tratti da Internet, accuratamente etichettati e categorizzati. I dati di condition monitoring, invece, pur essendo abbondanti, sono difficili da utilizzare, poiché sono eterogenei, non strutturati e, soprattutto, non categorizzati”.

Löwenmark, tuttavia, aveva alcune risorse a disposizione. Nel corso degli anni, infatti, gli esperti di condition monitoring di SKF e delle due cartiere avevano accumulato centinaia di report che documentavano i guasti alle macchine, le azioni correttive e i dati utilizzati per la diagnosi. Come racconta, il suo piano prevedeva l’utilizzo di quei report per addestrare un modello di IA generativa generico con il quale gestire i dati di condition monitoring.

Facile? Niente affatto. “I report di condition monitoring sono molto diversi dai testi e dalle immagini tipicamente impiegati per addestrare i modelli di IA”, afferma. “I dati possono essere presentati in modi molto diversi, e la terminologia utilizzata dagli analisti è molto tecnica e specifica per il settore e l’azienda a cui si riferisce, difficilmente utilizzabile altrove”.

Per quanto riguarda le immagini, il sistema è progettato per gestire la complessità dei segnali di condition monitoring. “Se addestri l’IA a riconoscere l’immagine di un cane, è facile perché sai che nell’immagine di addestramento c’è un cane”, commenta. “Nel monitoraggio, i segnali possono essere transitori ed evolvere nel tempo, quindi occorre esaminare lo storico dei dati oltre al segnale specifico, e forse anche le diverse rappresentazioni di tali dati”.

Rendere comprensibile il linguaggio tecnico

La soluzione di questi problemi richiedeva ingegno. Löwenmark ha utilizzato una serie di tecniche per convertire dati e rapporti tecnici in un formato interpretabile dagli attuali sistemi di IA. Ha incluso spiegazioni sui dati e definizioni dei termini chiave nei prompt utilizzati per eseguire il modello IA, fornendo al sistema collegamenti a documenti esplicativi.

Löwenmark ha utilizzato questi elementi per mettere a punto modelli IA a “doppia supervisione”. Questo tipo di sistema è progettato per elaborare simultaneamente dati di testo e immagini. È la tecnologia utilizzata per generare automaticamente descrizioni di foto o videoclip o per creare immagini sintetiche a partire da indicazioni fornite dall’utente.

Ben presto i nuovi modelli hanno dimostrato la loro capacità di gestire le attività di condition monitoring del mondo reale. Il primo successo è stato dimostrare che un modello di IA era in grado di identificare in modo affidabile i segnali generati da danneggiamenti dei sensori o dei relativi cavi. Sono eventi abbastanza comuni nei grandi sistemi di condition monitoring e sono facili da correggere, ma identificarli attraverso i dati di solito richiede una dispendiosa analisi da parte di un tecnico.

“Se l’IA è in grado di identificare questi errori, all’analista basta solo esaminare e confermare la diagnosi, con un notevole risparmio di tempo”.

Assistente virtuale per analisti

L’IA può aiutare a diagnosticare anche problemi più complessi. Le ultime versioni del sistema di Löwenmark sono concepite per velocizzare e rendere più preciso il compito degli analisti. “L’analista può, per esempio, leggere un segnale e iniziare a digitare una descrizione del problema”, dice. “Quando lo fa, il sistema è in grado di richiamare automaticamente casi simili già verificatisi in passato, e mostrare come si presentavano i dati e il tipo di problema. In questo modo il tecnico è facilitato nel formulare la propria diagnosi o nel sottoporre il caso a colleghi che hanno già sperimentato eventi analoghi”.

La prossima iterazione del sistema, attualmente in fase di sviluppo, mira a estendere il modello di IA con la creazione di un assistente virtuale interattivo per gli analisti di condition monitoring. Un’apposita interfaccia “chat” potrà rispondere alle domande testuali dell’operatore, estrarre dati pertinenti, eseguire strumenti analitici e suggerire i passi necessari per effettuare una diagnosi.

Questo significa che l’IA applicata al condition monitoring è pronta per il grande pubblico? Löwenmark esprime un cauto ottimismo: “Direi che la struttura è solida, ma poiché ogni installazione di condition monitoring è diversa, gli operatori devono addestrare i modelli con i propri dati e poi perfezionarli per adattarli alle loro politiche e processi. I sistemi di IA possono utilizzare il “reinforcement learning”, o apprendimento per rinforzo, in modo che il modello migliori gradualmente l’attinenza e l’accuratezza dei suoi risultati in base ai feedback inseriti”.

SKF sta valutando la trasferibilità di questo approccio e si parla di un nuovo progetto di IA per altre applicazioni.

La ricerca di Karl Löwenmark è sostenuta dal programma di innovazione strategica Process industrial IT and Automation (PiiA), finanziato da Vinnova, Formas e dall’Agenzia svedese per l’energia. Oltre alla Luleå University of Technology e a SKF, il progetto coinvolge anche l’istituto di ricerca RISE e le cartiere SCA Munksund e Smurfit Kappa Piteå.