Quanto dura la fase di addestramento degli algoritmi in un progetto di manutenzione predittiva?

Falso mito: tempi troppo lunghi per avere risultati

Iniziamo questo video sfatando un’idea sbagliata sui software di manutenzione predittiva, ovvero che sia possibile organizzare un sistema predittivo plug and play pronto da usare per tutte le realtà.
Il deterioramento dei componenti e le loro possibilità di guasto variano molto in funzione delle modalità d’utilizzo dell’ambiente, questo fa sì che un software, un algoritmo di manutenzione predittiva abbia bisogno di un certo periodo di addestramento per interpretare correttamente i dati e quindi fare predizioni accurate.

La domanda che quindi viene posta più spesso è quanto dura questa fase di addestramento degli algoritmi. Iniziamo dicendo che se abbiamo fatto un’analisi iniziale delle problematiche ben strutturata e reale, andremo a lavorare sulle problematiche più ricorrenti dei nostri guasti, in questo modo avremo un lasso di tempo più breve per addestrare gli algoritmi e per ottenere risultati.

Se il lavoro di analisi iniziale dei guasti è stato svolto in maniera approssimativa, il rischio è quello di non avere individuato le cause reali dei fermi e quindi di non impattare in maniera positiva sulle reali cause di fermo. In questo caso il rischio è quello di avere tempi troppo lunghi per ottenere risultati concreti e quindi di percepire l’investimento come non significativo e che non dia risultati concreti sui miei fermi macchina. Volendo però estrapolare dalle passate esperienze quali sono i tempi di addestramento degli algoritmi, normalmente questi si addestrano intorno ai 4-6 mesi. Attenzione, c’è bisogno chiaramente che per i 4-6 mesi dell’addestramento i dati pervengano al sistema in maniera regolare e continuativa.

I 4-6 mesi di addestramento degli algoritmi ci servono anche per individuare i cosiddetti falsi positivi, ovvero segnalazioni di anomalie che non corrispondono a guasti reali sugli impianti. Questa è una fase normale dell’addestramento degli algoritmi che stanno imparando dai dati che fluiscono dalle vostre macchine. È una funzione assolutamente normale e al termine dell’addestramento il sistema saprà riconoscere le segnalazioni passeggere e quindi i falsi positivi di cui parlavamo prima dalla reale causa di guasto.

Non dimentichiamo inoltre che è possibile collegare più macchine similari allo stesso sistema di manutenzione predittiva. In questo caso i dati vengono analizzati come un unicum di dati e mi permettono di ridurre ulteriormente la fase di addestramento, questo perché avrò più fonti dati simili tra di loro, paragonabili tra di loro e in fase di addestramento questo cambia notevolmente i tempi di analisi. Inoltre avere più macchine collegate probabilmente mi permetterà di intercettare più guasti nello stesso tempo rispetto ad avere una singola macchina collegata.

Questa è una situazione importante perché spesso nelle realtà produttive troviamo macchine similari unite nello stesso reparto di produzione. Quindi un sistema di manutenzione predittivo avanzato non sarà mai un sistema ready to use, ma comunque i tempi di implementazione e i tempi di sviluppo degli algoritmi sono talmente contenuti da garantirci risultati nel breve e medio periodo.

Scopri come ridurre le tempistiche di addestramento degli algoritmi in un progetto di manutenzione predittiva