Intralogistica TGW prevede problemi con la manutenzione predittiva

• TGW punta sul monitoraggio delle condizioni con il robot di picking Rovolution, pluripremiato

• Gemello digitale come innovazione centrale nell’era dell’Industria 4.0

(Marchtrenk) Nell’ambito dello sviluppo dell’Industria 4.0, i fermi delle attrezzature intralogistiche dovrebbero appartenere al passato, poiché lo stato dei componenti chiave viene monitorato. L’arte consiste nell’ottimizzare continuamente la disponibilità degli impianti, sottolinea il Dr. Maximilian Beinhofer, responsabile dello sviluppo dei sistemi cognitivi presso lo specialista in intralogistica TGW, in un colloquio:

Quali sono gli svantaggi se le operazioni di manutenzione vengono eseguite solo quando un componente smette di funzionare?

Dr. Maximilian Beinhofer: In tal caso parliamo di manutenzione correttiva. Questo può comportare che una macchina o un impianto si fermi parzialmente o completamente. Ciò significa che la disponibilità viene ridotta, il che può comportare svantaggi economici per l’utente. Un altro problema: potrebbe essere necessario cercare l’errore, il che richiede tempo prezioso.

Si possono semplicemente sostituire regolarmente i pezzi di usura…

Sì, questo è ciò che chiamiamo manutenzione preventiva. Si tratta di stabilire cicli di manutenzione o sostituzione basati su esperienze passate. Questo garantisce una disponibilità molto elevata degli impianti. Lo svantaggio: i costi sono più elevati, poiché vengono sostituiti anche pezzi che hanno ancora una riserva di usura. La grande arte consiste nel trovare il momento ideale - sia per il fornitore di manutenzione che per il ricevente. Una buona soluzione è quindi il monitoraggio delle condizioni, ovvero la sorveglianza dello stato, così come la manutenzione predittiva. Sulla base dei cosiddetti gemelli digitali, è considerata una delle innovazioni centrali nel campo dell’Industria 4.0.

Come funziona la manutenzione predittiva?

Grazie al monitoraggio delle condizioni dei componenti tramite sensori, possiamo rappresentare nel software se si sta avvicinando un problema. Idealmente, ciò avviene in tempo reale o con un ritardo minimo. Il nucleo del nostro approccio è: con algoritmi intelligenti, ovvero metodi provenienti dal campo del machine learning e della data science, noi di TGW connettiamo o fondiamo i dati già esistenti dai sensori in modo così intelligente da poter fare affermazioni molto precise sullo stato o sull’usura dei componenti. Questo fa risparmiare costi, poiché non dobbiamo installare sensori aggiuntivi.

Ha un esempio pratico?

 Nel nostro robot di picking pluripremiato Rovolution, misuriamo lo stato del vuoto nel dispositivo di presa. Se, ad esempio, a causa della presenza di polvere nell’ambiente si verifica una perdita di pressione, lo vediamo immediatamente e possiamo reagire.

Come si gestiscono gli impianti più vecchi che non dispongono dei sensori necessari?

Si possono installare sensori aggiuntivi, ad esempio per la misurazione delle vibrazioni. A seconda delle dimensioni dell’impianto, possono essere necessari da pochi a più di cento sensori, per cui è assolutamente necessario condurre un’analisi di fattibilità in anticipo. In linea di principio, però, anche gli impianti intralogistici esistenti possono essere retrofittati.

Qual è la differenza tra manutenzione predittiva e prescrittiva?

I due approcci si basano l’uno sull’altro. Come base della manutenzione predittiva è necessario il monitoraggio delle condizioni. Non basta sapere se un sensore è occupato o meno. Si tratta di quanto sia avanzata l’usura. Una volta che questi dati sono disponibili, è possibile utilizzare un software di manutenzione predittiva per fare una previsione che un componente, a partire da un certo valore, ad esempio, durerà ancora circa tre mesi. La manutenzione prescrittiva fornisce quindi il consiglio di fare esattamente questo o quello tra tre mesi.

Quali sono i principali vantaggi della manutenzione predittiva?

In linea di principio, si tratta di ottimizzare la disponibilità degli impianti a costi minimi. Inoltre, il ciclo di feedback viene continuamente migliorato. Gli algoritmi garantiscono che il sistema autoapprendente si ottimizzi costantemente.

In quali aree è utile la manutenzione predittiva?

In linea di principio ovunque in un impianto. Tuttavia, gli elementi di connessione sono i più interessanti. Se, ad esempio, uno dei dieci posti di lavoro per la preparazione degli ordini si guasta, il 90% della capacità di picking è ancora disponibile. Ma se un sistema di smistamento, attraverso il quale passano tutte le merci, si guasta, ciò significa un fermo immediato.

Quali sono le sfide della manutenzione predittiva?

Da un lato, si tratta di generare il massimo impatto con il minimo sforzo. Dall’altro, la sfida tecnica consiste nell’utilizzare le reti dell’impianto in modo tale che i dati necessari possano essere trasferiti al software di manutenzione predittiva. La terza sfida sono i cicli di feedback. Se si verificano problemi nella tecnologia di trasporto, i tecnici sul posto devono segnalarlo. Come produttore, è necessario sviluppare metodi intelligenti affinché il feedback avvenga immediatamente e sia anche valutabile automaticamente.

Come viene garantito?

Per poter addestrare gli algoritmi, è necessario sapere esattamente quando è stata effettuata una manutenzione e cosa è stato fatto esattamente. Altrimenti, il sistema crede che ci sia stata un miglioramento spontaneo. Questo report non deve però essere un testo liberamente formulato dal tecnico. Devono essere risposte standardizzate da un menu a discesa, poiché sono necessari dati leggibili dalle macchine per poter addestrare il sistema di machine learning. Allo stesso tempo, il ciclo di feedback deve essere rapido e facile da usare, affinché il tecnico di manutenzione possa fornire rapidamente il feedback.

Per quali moduli TGW sviluppa la manutenzione predittiva?

Per il robot di picking Rovolution, il monitoraggio delle condizioni è già disponibile. Parallelamente, stiamo sviluppando una soluzione cloud speciale per la raccolta e l’elaborazione dei dati. In linea di principio, si tratta di raccogliere tutti i dati dalla meccatronica all’IT in futuro - naturalmente rispettando le normative GDPR e sulla sicurezza dei dati. Raccogliamo i dati di più clienti. Questo ha il vantaggio che un nuovo cliente può beneficiare dei dati dei clienti esistenti e ricevere consigli dal software su cosa fare per ottimizzare il proprio impianto. Alla fine del processo, si ottiene il gemello digitale. In questo modo non solo è possibile analizzare in modalità replay cosa è successo, ma anche vedere in tempo reale cosa sta accadendo. In un ulteriore passo, è possibile anche guardare al futuro e fare previsioni.

Come si svilupperà la domanda di soluzioni nel campo della manutenzione predittiva?

Il tema è attualmente popolare. Presumo che tra cinque o dieci anni verranno venduti solo impianti che offrono questo servizio. Per grandi macchine singole è già comune utilizzare un sensore di vibrazione. Per gli impianti intralogistici ampiamente connessi, ci sono attualmente ancora diverse strategie.

 I clienti vedono il beneficio e sono disposti a pagare per tali servizi?

Credo che a lungo termine i modelli di business dietro i contratti di manutenzione cambieranno. I nuovi strumenti e servizi offrono vantaggi per i clienti - e questi vantaggi si rifletteranno alla fine nel calcolo dei costi totali (TCO, Total Cost of Ownership). Di conseguenza, adegueremo anche i nostri modelli di business.

Foto di copertura: © TGW / Didascalia dell’immagine: PickCenter Rovolution di TGW: il monitoraggio delle condizioni garantisce un’elevata disponibilità del robot di picking pluripremiato.

Il Dr. Maximilian Beinhofer dirige il settore Sviluppo dei Sistemi Cognitivi presso la sede della TGW Logistics Group a Marchtrenk, Austria. Ha studiato matematica presso le università di Aquisgrana e Friburgo e ha conseguito il dottorato nel campo dell’informatica nella robotica probabilistica. Nel 2014, il ricercatore ha iniziato la sua carriera presso TGW come consulente in logistica e IT. Dal 2016 dirige il team di sviluppo nel settore Sviluppo dei Sistemi Cognitivi.