Ricerca e sviluppo di modelli di descriptive, predictive e prescriptive analytics per la business intelligence finalizzata all'efficienza energetica e alla manutenzione predittiva di macchinari industriali in ottica Industria 4.0

Business Intelligence Industry 4.0

OBIETTIVi

Riduzione delle spese di gestione

Riduzione degli scarti

Minimizzazione dei fermi impianto

Massimizzazione del profitto

Soluzione

Algoritmi di previsione dei consumi energetici e dei guasti di impianto

Il supporto decisionale per la pianificazione delle operazioni

RISULTATI

- 20%

scarti di produzione

- 15%

costi energetici

- 5%

tasso di reclamo

 
Obiettivi
Gli obiettivi del progetto è stato quello di sviluppare dei modelli di descriptive, predictive e prescriptive analytics per la Business Intelligence per l'efficientamento energetico e la manutenzione predittiva di macchinari industriali in ottica Industria 4.0.
Nello specifico, Business Intelligence Industry 4.0 ha lo scopo di:
  • minimizzare l’utilizzo di sistemi ad hoc, garantendo la compatibilità con le infrastrutture esistenti;
  • realizzare interfacce alla portata di diversi tipi di utenze per la realizzazione di obiettivi a diversi livelli;
  • costruire un database dello storico di impianto, in modo da prevederne gli andamenti futuri;
  • migliorare l’efficienza della forza lavoro ed evitare perdite di tempo;
  • minimizzare lo spreco di risorse hardware e computazionali, garantendo la massima sicurezza;
  • personalizzare il servizio, fornendo supporto decisionale.

 
soluzione
Idea75, con Business Intelligence Industry 4.0 (detto BI_I4.0) ha sviluppato degli algoritmi di descriptive e predictive analytics, per l'efficientamento energetico e la manutenzione predittiva.

La soluzione sviluppata utilizza i processi di machine learning, apprendendo automaticamente e nel tempo grazie ad algoritmi adattivi che hanno la capacità di utilizzare una grande mole di dati, provenienti dalla sensoristica in campo (per esempio dati di consumo energetici: elettricità, acqua, gas), imparano da essi e riescono a elaborare, in modo intuitivo e induttivo, previsioni per il futuro.

La funzione implementata per l’efficientamento energetico, intrecciando analisi computazionale, statistica, matematica riesce a prevedere quale sarà il consumo di energia in un determinato impianto, per un determinato tempo durante una determinata attività di produzione.

I dati previsionali così elaborati sono informazioni fondamentali con le quali è possibile, tramite il software, capire dove intervenire per ottimizzare i consumi e fare efficientamento energetico, analizzando i Key Performance Indicator (KPI).

Nell'ambito della prescriptive analytics, Idea75 ha sviluppato un sistema DSS (Decision Support System): si tratta di un sistema di supporto decisionale che si adatta in modo dinamico ai dati disponibili, selezionando il modello di previsione più appropriato in base a criteri specificati dall’utente.

Predictive analytics: analisi degli indicatori di performance

Step dell'algoritmo di efficientamento energetico e manutenzione predittiva (descriptive e predictive anlytics)

Modello Simulink per il calcolo dell'efficienza

DSS: applicazione di modelli di prescriptive analytics

 
risultati
Per la validazione di BI_I4.0, sono state prese in considerazione n°2 macchine a elevato consumo energetico, utilizzate durante il processo produttivo molitorio; ognuna di queste presenta dei vincoli di produzione (dimensione dei lotti, tempi di processamento, tempi di stoccaggio, etc.). 
La pianificazione della produzione sulla base della previsione dei consumi e dei guasti è stata effettuata tramite l'analisi e il monitoraggio di diverse categorie di KPI:
  • programmazione / produzione;
  • gestione risorse;
  • manutenzione;
  • qualità prodotto.
Inoltre, sono stati valutati gli indicatori out of samples per sei diversi modelli di previsione e per i diversi metodi di ottimizzazione utilizzati.
Il sistema di supporto decisionale implementato si adatta in modo dinamico ai dati disponibili, selezionando il modello di previsione più appropriato in base a criteri specificati dall’utente (criterio di accuratezza o criterio di variabilità).
Con le sue soluzioni tecnologiche e innovative, BI_I4.0 ha permesso di ottenere la riduzione:
  • degli scarti di produzione pari al 20%;
  • dei costi energetici, stimata al 15%;
  • del tasso di reclamo del cliente finale, pari al 5%.

Confronto metodi di ottimizzazione utilizzati

DSS: criteri di scelta per il modello di previsione più appropriato

BI_I4.0 - Manutenzione Predittiva: analisi di un sistema non soggetto a guasti

BI_I4.0: identificazione sistema non soggetto a guasti

BI_I4.0 - Manutenzione Predittiva: analisi di un sistema deteriorato

BI_I4.0: identificazione sistema deteriorato

 
stakeholders & Credits
hs_system_200x200.png

Hs systems

Partner

H.S. Systems offre software di gestione aziendale, analisi e servizi cloud per aiutare le organizzazioni a migliorare le prestazioni e applicare le tecnologie digitali per interrompere il pensiero tradizionale e abilitare nuovi modelli di business.

 
KEYWORDS

Optimization

Energy Efficiency

DSS

Sensors

Cloud services

Industry 4.0

R&D

Predictive Maintenance

Machine Learning

KPI

Simulation

Prescriptive Maintenance

© 2019 by Idea75 srl. Proudly created with Wix.com

  • Facebook Social Icon
  • Twitter Social Icon