Nel settore Manufacturing le macchine rappresentano un asset fondamentale, e un approccio “run to failure” spesso si traduce nell’acquisto di nuovi macchinari, costi di riparazione proibitivi e tempi di fermo che possono rallentare la catena produttiva. L’applicazione dell’Artifical Intelligence permette di anticipare il guasto salvaguardando la linea e allungando la vita della macchina.
Oggi vi presentiamo un breve case study di implementazione di un modello di manutenzione predittiva di un cliente di Blue BI.
Caso studio di manutenzione preventiva nell’industria manifatturiera
Cliente e contesto
Il cliente è un’azienda multinazionale operante nel settore Fashion & Luxury che conta più di mille dipendenti e un fatturato di circa 1 mld di euro. Il modello di business è sia B2C che B2B grazie a una rete di più di mille punti vendita e boutique.
Aree aziendali coinvolte:
- Finance
- Supply Chain
- Acquisti
Il Finance, in seguito all’analisi dei costi, era preoccupato che la voce relativa alle spese di manutenzione avesse subito un incremento del 10% e a questo si aggiungeva l’investimento che l’azienda avrebbe dovuto fare per la sostituzione di alcuni macchinari.
Why Blue BI
Gli obiettivi della consulenza del team Blue BI sono stati individuati in:
- stimare quando un componente dell’apparecchiatura potrebbe guastarsi;
- programmare la manutenzione nel momento più conveniente ed efficiente in termini di costi;
- ottimizzare al massimo la durata delle apparecchiature grazie alla previsione di manutenzioni correttive che allungano la vita della macchina.
Attività svolte
Quali sono i fattori più comuni dietro i guasti? Quali macchinari hanno maggiori probabilità di guastarsi?
Per rispondere a queste domande seguendo un approccio data driven, in primo luogo è stato necessario verificare e valutare i dati a disposizione dell’azienda che, nel caso specifico, si riferivano a guasti passati, nonché all’utilizzo e alla manutenzione dei macchinari.
In particolare ci siamo concentrati su tre set di dati:
- Utilizzo: ore lavorate;
- Manutenzione: registrazioni di quando e di quali parti delle macchine sono state sottoposte a manutenzione, il motivo del servizio e la quantità di parti sostituite;
- Guasto: se una macchina ha avuto un guasto registrato (non tutti i casi sono etichettati).
Una volta identificati i dati necessari, questi sono stati importati in una Piattaforma avanzata di AI che ha reso l’intero processo più efficiente; infatti, è stato molto più facile elaborarli e raggiungere lo stesso livello di granularità per poterli unire e ricavare un numero maggiore di informazioni.
Successivamente, prima di addestrare i modelli predittivi abbiamo deciso di creare due set di dati separati:
- Training dataset per indicare se si fosse verificato o meno un evento di guasto, che è stato utilizzato per trainare i modelli;
- Scoring dataset che non conteneva dati sui guasti, ed è stato usato per prevedere se i macchinari avessero o meno un’alta probabilità di guasto.
Una volta avuti tutti i dataset pronti, si sono applicati gli algoritmi ritenuti migliori rispetto alla variabile target e successivamente confrontati per valutare le prestazioni di uno rispetto all’altro. Nel caso specifico il modello Random Forest ha ottenuto risultati migliori rispetto a diverse metriche prese in considerazione e basate su tre possibili eventi: probabilità di guasto, probabilità di non guasto, modello di previsione del guasto o meno.
Grazie alle probabilità generate dal modello, uno step che abbiamo ritenuto utile implementare è stato quello di identificare due livelli di rischio di guasto (High e Medium) che hanno permesso di affinare ancor di più il dataset.
L’ultimo step è stato quello di mettere in produzione il modello predittivo creando uno scenario che ricostruisse automaticamente il flusso con i nuovi dati per ottenere nuovi asset ogni giorno.
Contestualmente, abbiamo implementato un nuovo modello di manutenzione dettato dall’algoritmo verificando i risultati rispetto alla vecchia gestione, che il cliente ha potuto facilmente monitorare tramite delle dashboard.
Risultati
Integrando i dati storici con quelli di real-time monitoring, siamo riusciti a rispondere alle domande del cliente ed a fornire uno strumento di monitoraggio in grado di prevedere il momento e il rischio di possibilità del verificarsi del guasto, ridurre i costi programmando il momento più conveniente per effettuare gli interventi, allungare la durata della vita dei macchinari.
Potremmo dire che in termini numerici abbiamo ottenuto:
- circa il 27% di riduzione dei costi di manutenzione
- i casi di malfunzionamento sono scesi del 60%
- la linea produttiva ha ridotto i tempi di inattività del 30%.
Realizziamo soluzioni di Business Intelligence & Advanced Analytics per trasformare semplici dati in informazioni di grande valore strategico.
