- Home
- Intelligenza Artificiale
- Manutenzione predittiva, quali approcci neuro-simbolici di intelligenza artificiale
Il mondo in cui viviamo è sempre più connesso e, sia nelle industrie che nella vita quotidiana. In particolare, i sistemi e i servizi industriali si avvalgono di una strumentazione complessa connessa alla rete (Internet of Things), il cui buon stato operazionale garantisce continuità e qualità della produzione. Eventuali interruzioni dei processi produttivi, dovute a guasti che determinano la necessità di manutenzione straordinaria, rappresentano dei costi aziendali di notevole impatto. È in queste situazioni che l’uso di tecniche di manutenzione predittiva determina i maggiori vantaggi per le imprese. Per ovviare ai limiti si può usare l’intelligenza artificiale, con i cosiddetti approcci ibridi – o neuro-simbolici.
Indice degli argomenti:
Manutenzione predittiva, che cos’è
Si tratta di tecniche che mirano alla creazione di modelli matematici allo scopo di prevedere l’insorgere di guasti ed evitare il fermo degli impianti; tali tecniche possono essere distinte in due macro-famiglie: gli approcci model-based, che utilizzano conoscenze specifiche di esperti del dominio, e approcci data-driven, che sfruttano intensivamente i dati provenienti dai sensori o da altri dispositivi. I cosiddetti approcci ibridi – o neuro-simbolici – combinano le due macrocategorie cercando di sfruttare le potenzialità e di limitarne i difetti singoli.
Come adottare la manutenzione predittiva in un’azienda
La politica di manutenzione da adottare in un’azienda determina impatti a livello economico, tecnologico e sociale. I fattori determinanti in questa fase sono: i costi dovuti ad eventuali avarie e la piena fruibilità dei servizi. In particolare, mentre il primo permette che la qualità dei prodotti erogati non degradi, il secondo permette di non avere blocchi nella produzione e, quindi, di non ridurre gli utili dell’azienda stessa. Inoltre, componenti danneggiati potrebbero provocare infortuni e/o inquinamenti all’ambiente.
Le politiche di manutenzione possono essere distinte come segue:
- Manutenzione correttiva – si riferisce alle attività di riparazione o di manutenzione necessarie per ripristinare il funzionamento corretto di un sistema che ha subito un guasto o un malfunzionamento. Inoltre, queste attività possono essere richieste quando le prestazioni del sistema sono diminuite al di sotto di un livello accettabile di tolleranza. I costi per questo tipo di manutenzione sono strettamente correlati all’acquisto di forza lavoro, materie prime ed equipaggiamenti vari, nonché a tutto ciò che deriva dalla mancata disponibilità dell’impianto nel periodo che va dal malfunzionamento alla riparazione.
- Manutenzione programmata – rientrano in questa categoria le attività per effettuare controlli regolari su sistemi interni che necessitano di essere monitorati. La frequenza dei controlli è determinata in base al tempo trascorso dall’ultima revisione o alle caratteristiche d’uso dei componenti, come ad esempio i chilometri percorsi da un treno, l’energia prodotta da un generatore o il numero di cicli di dispositivi meccanici. I costi correlati a questo tipo di manutenzione sono correlati alla mancata disponibilità dei macchinari negli intervalli di tempo dedicati alla manutenzione programmata.
- Manutenzione preventiva e predittiva – la manutenzione preventiva è un procedimento finalizzato a mantenere il corretto funzionamento del sistema, evitando il deterioramento dei suoi componenti e garantendo che le prestazioni siano superiori a una soglia di riferimento. Tale procedura prevede una diagnosi dello stato di salute del sistema e delle sue parti, monitorandone il degrado e intervenendo con riparazioni o sostituzioni delle parti necessarie per migliorare le performance del sistema. Nella manutenzione predittiva, in particolare, vengono utilizzati software automatici in grado di prevedere il tempo che intercorre tra un controllo e il prossimo guasto. In questo caso i costi sono dovuti principalmente agli strumenti si controllo, perché questo tipo di manutenzione minimizza i tempi di fermo degli impianti.
È evidente che, nelle aziende che aderiscono al paradigma “Industria 4.0”, la manutenzione predittiva può essere un potente alleato per minimizzare i costi dell’azienda evitando guasti “a cascata” e attuando una programmazione delle attività manutentive.
Approcci tradizionali di intelligenza artificiale per la previsione di guasti
Model based
Gli approcci basati su modelli fisici partono dalla conoscenza degli esperti di dominio per costruire modelli matematici, i quali permettono di descrivere i processi fisici che regolano i componenti interni ai sistemi aziendali. Tramite l’analisi di alcuni parametri specifici, è possibile monitorare l’andamento dei sistemi, e, di conseguenza, effettuare una prognosi di eventuali guasti. In generale, i processi model based si basano su tre fasi ben distinte come si può vedere dalla figura sottostante:
- tramite sensori o altri strumenti di misurazione si ricavano dati inerenti ai sistemi da manutenere;
- i valori ottenuti dal passo precedente vengono comparati con le misure stimate dal modello analitico;
- infine, si analizzano i risultati ottenuti.
Rientrano in questa categoria anche gli approcci deduttivi che utilizzano tecniche inerenti alla symbolic artificial intelligence ed al ragionamento automatico.
Data driven
Gli approcci induttivi (data-driven) si basano su strategie bottom-up: partendo dalle osservazioni, realizzano modelli in grado di generalizzare i dati per una popolazione più ampia, nonché di inferire nuovi dati. Gli strumenti più utilizzati si basano su algoritmi di machine learning che consentono l’individuazione di “anomalie”. Nella manutenzione predittiva, il concetto di “schemi anomali” coincide solitamente con il concetto di “inefficienza dei sistemi”, quindi con l’insorgere di possibili guasti. Per sviluppare sistemi data-driven efficienti, è necessaria un’enorme quantità di dati (che solitamente provengono da sensori di temperatura, umidità e così via) e una massiccia potenza di calcolo.
Limiti degli approcci tradizionali per la manutenzione predittiva
In generale, gli approcci model-based offrono maggiore chiarezza, dato che i valori associati ai fenomeni fisici corrispondono ai modelli matematici creati dagli esperti; tuttavia, nella maggior parte delle situazioni i modelli risultanti forniscono scarsi risultati, soprattutto quando si tratta di sistemi complessi.
La grande mole di dati derivanti da sensori e la crescita sempre più imponente di macchine con grande potenza di calcolo hanno permesso l’utilizzo di tecniche data-driven. Nonostante questi modelli riescano a raggiungere livelli di efficacia maggiori rispetto ai modelli creati da esperti di dominio, la loro scarsa interpretabilità rimane ancora un punto debole.
Le principali limitazioni dei due approcci sono descritte di seguito.
Model-based:
- gli esperti possono fare ipotesi che non sempre riflettono la complessità dei problemi del mondo reale che stanno cercando di risolvere;
- conoscenze specifiche e approfondite possono portare a costi elevati per le industrie;
- scarsi risultati.
Data-driven:
- le osservazioni ottenute dai sensori (o da altri sistemi) possono essere sporche e incomplete;
- i modelli risultanti hanno scarsa interpretabilità;
- i dati storici potrebbero non essere pienamente rappresentativi degli scenari del mondo reale.
Approcci ibridi per la manutenzione predittiva: modelli neuro-simbolici
I modelli neuro-simbolici sono modelli ibridi che sfruttano sia approcci deduttivi (simbolici) e sia approcci induttivi (data driven). I modelli risultanti dalla combinazione dei due approcci dovrebbero prendere il “meglio” da entrambi i mondi: interpretabilità, robustezza per gli approcci simbolici, precisione e abilità di astrazione per gli approcci neurali.
Un esempio di approccio neuro-simbolico per la manutenzione predittiva
Una tecnica che può fornire importanti risultati, ottimizzando i processi di manutenzione, è basata sui principi della Root Cause Analysis, tramite la combinazione di conoscenza di dominio – tramite opportune ontologie di contesto e algoritmi di classificazione.
Supponiamo che si verifichi un guasto all’interno di un treno, ad esempio che la porta di una carrozza sia bloccata. Assumiamo che un esperto di dominio possa creare un’ontologia che descriva le componenti del treno e che definisca le relazioni tra essi. L’ontologia, inoltre, potrebbe essere definita grazie all’aiuto di approcci simbolici. Oltre a ciò, un modello basato sull’apprendimento automatico, come un auto-encoder, potrebbe essere utilizzato per l’anomaly detection, cioè l’individuazione di eventuali malfunzionamenti dei singoli componenti del treno. Nel nostro scenario abbiamo due elementi principali: un classificatore per identificare i comportamenti anomali sulla base dei dati storici di un dato componente, e una struttura ad albero che rappresenta le relazioni tra i componenti. In conclusione, possiamo riconoscere le anomalie all’interno dei singoli componenti sfruttando , capirne le cause e individuare la sorgente del guasto attraverso e, infine, motivare i risultati sfruttando l’interpretabilità intrinseca di .
Vantaggi dei modelli neuro-simbolici nella manutezione predittiva
I modelli ibridi possono essere una via di mezzo fra i due mondi, prendendo, quindi, il meglio da entrambi. In merito a ciò, possiamo individuare tre vantaggi principali che caratterizzano questi approcci.
Interpretabilità
Garantire una spiegazione e una motivazione dei risultati ottenuti è una caratteristica sempre auspicabile, che, però, diventa quasi un’esigenza quando modelli di intelligenza artificiale vengono utilizzati in contesti delicati: bioinformatica, robotica, e contesti bancari sono solo tre esempi nei quali è necessario (e ci si aspetta) che le macchine forniscano una spiegazione del risultato in output. Gli approcci model-based garantiscono interpretabilità dei risultati; viceversa, l’interpretabilità è una grossa limitazione per le reti neurali. L’integrazione tra i due approcci potrebbe soddisfare questo requisito.
Performance
In ambienti complessi e con alta variabilità, il know-how degli esperti può essere fondamentale per raggiungere rendimenti di un certo livello. Ecco perché l’integrazione della conoscenza a priori nell’addestramento di modelli neurali può essere un’ottima combinazione. L’integrazione può essere sfruttata, per esempio, per guidare l’addestramento o per filtrare i risultati della rete neurale tramite dei vincoli logici.
Robustezza
La robustezza è una caratteristica che contraddistingue gli approcci simbolici; al contrario, i modelli neurali soffrono di suscettibilità sui dati in input: cambiando un pixel di una immagine si possono ottenere risultati completamente diversi. Questa debolezza potrebbe essere sfruttata da utenti malintenzionati per manomettere/alterare il comportamento “normale” del modello.
Conclusioni
Le attività di manutenzione dei sistemi aziendali sono fondamentali per fornire e assicurarsi un corretto e costante funzionamento. Al contrario, una cattiva manutenzione porta l’azienda a dover affrontare ulteriori costi. Riuscire a prevedere eventuali guasti dei componenti è, quindi, un task molto importante oggi. Le tecniche utilizzate attualmente per la manutenzione predittiva (model-based e data-driven) hanno molte limitazioni, che possono essere contenute sfruttando approcci ibridi o neuro-simbolici.