{"id":1655,"date":"2020-03-13T11:38:10","date_gmt":"2020-03-13T11:38:10","guid":{"rendered":"https:\/\/controlloemisura.com\/?p=1655"},"modified":"2025-06-24T15:37:08","modified_gmt":"2025-06-24T15:37:08","slug":"la-manutenzione-nellindustrial-transformation","status":"publish","type":"post","link":"https:\/\/www.publiteconline.it\/controlloemisura\/la-manutenzione-nellindustrial-transformation\/","title":{"rendered":"La manutenzione nell\u2019Industrial Transformation"},"content":{"rendered":"\n

Festo<\/strong> ha sviluppato delle soluzioni di manutenzione predittiva e preventiva, ideali per far fronte alle nuove esigenze dell\u2019automazione industriale. Grazie al Cloud, dati e grafici dei dispositivi sono a disposizione quando e dove si vuole da remoto<\/p>\n\n\n\n

di Ginevra Leonardi<\/em><\/p>\n\n\n\n

L\u2019analisi del dato fino a qualche anno fa era \u201cdi pochi\u201d. C\u2019era una figura aziendale preposta all\u2019analisi, che attraverso una serie di calcoli effettuava studi di mercato, di produzione e analisi statistiche. Oggi, attraverso un modulo IoT gateway \u00e8 possibile raccogliere i dati da tutti i dispositivi in field via OPC-UA oppure Fieldbus, e trasmetterli in Cloud. Dashboard di Festo \u00e8 una soluzione per la quale \u00e8 stata avviata una collaborazione con Microsoft, scegliendo di usare la piattaforma Cloud Azure. In questo modo si hanno a disposizione dati e grafici dei dispositivi in field da remoto.
<\/p>\n\n\n\n

Algoritmo per la manutenzione predittiva<\/strong>
Sono queste le esigenze dettate dalla Industrial Transformation all\u2019automazione industriale, in un legame sempre pi\u00f9 stretto con la digitalizzazione. In Cloud si visualizzano i dati relativi a una soluzione Festo per la manutenzione predittiva, sviluppata da Resolto Informatik (azienda del gruppo Festo specializzata in algoritmi di intelligenza artificiale). Si tratta dell\u2019algoritmo Scraitec, facilmente scomponibile in due parti principali: Scraifield e Scraibrain, create per avere diversi raggi di azione. Scraifield si concentra sul raccogliere dati dal campo, per poi collezionarli nello Scraibrain. Grazie a questi dati, Scraibrain impara in modo continuo e sviluppa l\u2019intelligenza artificiale in senso stretto. Scraifield filtra i dati leggibili da quelli non leggibili, che verranno scartati. In tal modo i dati utili vengono classificati e processati, e raccolti On Promise o su un apposito Cloud. Questo comporta la realizzazione di analisi statistiche e l\u2019individuazione dei trend, tutti elementi che si potranno visualizzare su Dashboard, raggiungibili da remoto in ogni momento grazie alla presenza in Cloud.<\/p>\n\n\n\n

Come si sviluppa la fruizione remota<\/strong>
La fruizione remota di questi dati pu\u00f2 essere sviluppata in due modi: in collaborazione col cliente, legandola allo sviluppo di una versione virtuale della macchina o linea automatica che si vuole monitorare; in relazione al prodotto (nel caso delle soluzioni Festo, la proposta Cloud di Microsoft Azure offre la possibilit\u00e0 di realizzare Condition Monitoring su Dashboard gi\u00e0 pronte). Svolta questa prima fase di Fog Computing da Scraitec, ci si pu\u00f2 fermare e analizzare i trend per effettuare una manutenzione secondo condizione. Se invece si vuole avviare una manutenzione predittiva in senso stretto, si potr\u00e0 partire dalle analisi legate ai sensori nel field. \u00c8 qui che interviene l\u2019algoritmo Scraibrain, che permette di analizzare i dati in modo pi\u00f9 dettagliato e creare un \u201ccervello virtuale\u201d in grado di mappare tutti i comportamenti della macchina automatica. Questo gli consente di imparare quali di questi comportamenti sono usuali e quali anomali, notificando tempestivamente l\u2019evento, e in seguito calcolando in largo anticipo quando l\u2019anomalia si ripeter\u00e0.<\/p>\n\n\n\n

Dalla fase di Learning Data a quella di Evaluation Data<\/strong>
La manutenzione predittiva viene svolta in due fasi. In una prima fase di Learning Data, avviene il Machine Learning della macchina; il sistema apprende il normale funzionamento della macchina, permettendo di categorizzare le eventuali anomalie in modo da settorizzare il guasto. Durante questa fase cos\u00ec delicata, \u00e8 necessaria la collaborazione tra Scraibrain e il responsabile della manutenzione, che deve supervisionare affinch\u00e9 l\u2019apprendimento del \u201ccervello virtuale\u201d avvenga in modo corretto.
Segue la fase di Evaluation Data, in cui il sistema analizza i dati che riceve continuamente dalla macchina, e li confronta con quelli imparati e categorizzati in precedenza. A questo punto verr\u00e0 notificato il suo corretto funzionamento oppure, con un certo preavviso, il guasto.
All\u2019inizio vengono notificati all\u2019utente dei messaggi di Warning che avvisano quando i valori soglia sono stati oltrepassati.
Man mano che vengono svolte delle sessioni di Machine Learning, l\u2019algoritmo riesce a capire quale sia il corretto funzionamento della macchina. In tal modo, in fase di Evaluation Data lo Scraibrain riuscir\u00e0 a prevedere, sempre con maggior precisione, l\u2019insorgere di malfunzionamenti nel dispositivo prima che accadano. <\/p>\n","protected":false},"excerpt":{"rendered":"

Festo ha sviluppato delle soluzioni di manutenzione predittiva e preventiva, ideali per far fronte alle nuove esigenze dell\u2019automazione industriale. Grazie al Cloud, dati e grafici dei dispositivi sono a disposizione quando e dove si vuole da remoto di Ginevra Leonardi L\u2019analisi del dato fino a qualche anno fa era \u201cdi pochi\u201d. C\u2019era una figura aziendale …<\/p>\n","protected":false},"author":4,"featured_media":1656,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_seopublitec_title":"","_seopublitec_meta_desc":"","_seopublitec_keyphrases":"","_seopublitec_canonical":"","_seopublitec_noindex":false,"_seopublitec_nofollow":false,"_seopublitec_og_title":"","_seopublitec_og_desc":"","_seopublitec_twitter_title":"","_seopublitec_twitter_desc":"","_seopublitec_twitter_image":"","_seopublitec_og_image":"","_seopublitec_twitter_card":"","_seopublitec_cornerstone":false,"_seopublitec_score":""},"categories":[27],"tags":[335],"class_list":["post-1655","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologie","tag-festo"],"openstation_lock":null,"openstation_contributors":[],"openstation_attached_media":[1656],"_links":{"self":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/1655","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/comments?post=1655"}],"version-history":[{"count":1,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/1655\/revisions"}],"predecessor-version":[{"id":1657,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/1655\/revisions\/1657"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media\/1656"}],"wp:attachment":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media?parent=1655"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/categories?post=1655"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/tags?post=1655"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}