La Comunità Scientifica riconosce la Ricerca Galdi
Una ricerca per migliorare l’efficienza dei sistemi diagnostici Galdi diventa un articolo scientifico pubblicato su una delle prestigiose riviste scientifiche dell’IEEE (Institute of Electrical and Electronics Engineers). Tra diagnostica avanzata, reti neurali e Machine Learning!
È possibile prevedere le problematiche più impattanti per una riempitrice?
Per trovare una risposta a questa domanda, è stato creato un modello predittivo valido per le riempitrici Galdi ma applicabile anche a molti altri settori.
L’articolo “FORMULA: A Deep Learning Approach for Rare Alarms Predictions in Industrial Equipment” contenente i dati della ricerca è stato pubblicato dalla rivista IEEE Transactions on Automation Science and Engineering, tra le più importanti al mondo nell'ambito dell'automazione industriale, e porta una firma condivisa:
- Diego Tosato, Galdi S.r.l.
- Davide Dalle Pezze, Università degli Studi di Padova
- Chiara Masiero, Statwolf Data Science S.r.l.
- Gian Antonio, Susto Università degli Studi di Padova
- Alessandro Beghi, Università degli Studi di Padova
LA RICERCA GALDI: TRA DIAGNOSTICA AVANZATA E IIOT
Il processo di digitalizzazione e analisi dei dati per il potenziamento della diagnostica per le riempitrici alimentari è iniziato in Galdi già da qualche anno.
Si tratta di un lungo lavoro di Ricerca e Sviluppo che viaggia di pari passo con l’evoluzione delle soluzioni IIOT (Industrial Internet of Things).
Questo lavoro ha portato all’installazione sulle confezionatrici alimentari di ultima generazione di nuovi sistemi sensoristici abbinati alla piattaforma di monitoraggio delle performance MaSH, un sistema nato proprio con lo scopo di anticipare eventuali anomalie evitando fermi macchina inaspettati.
MACHINE LEARNING E RETI NEURALI PER LE MACCHINE RIEMPITRICI
La quantità e la qualità dei dati trasmessi da una riempitrice Galdi consente oggi di avere un quadro dettagliato e reale delle performance della macchina - fornendo in modo accurato MME e OEE.
A un livello più profondo, quegli stessi dati permettono ai tecnici Galdi di avere una visione globale e dettagliata non solo per il troubleshooting in caso di intervento ma anche per la prevenzione di eventuali anomalie.
Ma in ottica di manutenzione predittiva, come è possibile anticipare gli allarmi più gravi - ad es. la rottura della membrana del dosatore con il conseguente rischio di contaminazione, che essendo rari non producono una ricorrenza riconoscibile dal sistema di analisi?
Grazie al confronto tra i dati ricavati da diversi modelli di riempitrice, i ricercatori coinvolti nella ricerca pubblicata hanno creato una soluzione basata su Deep Neural Network, una particolare tecnica di Machine Learning.
Si tratta di un modello di reti neurali che “assorbe e impara” dai dati ricevuti e risponde comunicando gli accadimenti futuri, come la sequenza dei prossimi allarmi sulla macchina.
UN’INNOVAZIONE CONDIVISA
I contenuti della ricerca sono stati ritenuti di notevole interesse dalla Comunità Scientifica, considerata la poca letteratura scientifica disponibile sul tema.
Il modello elaborato è generalizzabile a molti altri contesti industriali e applicabile a qualsiasi macchina in grado di produrre log di errori.
Il dataset con i risultati della ricerca (chiamato ALPI: Alarm logs in Packaging Industry) è stato messo a disposizione anonimizzato e in modalità open source.
Dietro questa scelta c’è una filosofia, condivisa sia dai ricercatori che da Galdi: “L’unico modo per spingere l’innovazione è condividerla”!
LA RICERCA APPLICATA AI CLIENTI GALDI
La qualità dei dati disponibili sulle performance della macchina è indubbiamente un valore aggiunto per i nostri clienti e un’arma in più per il controllo della produzione.
Dato che la lettura dei dati è un’attività time spending e richiede una grandissima esperienza per un’interpretazione corretta e funzionale, stiamo sviluppando un servizio proattivo dedicato ai nostri clienti.
Parliamo di un’attività di Data Consulting per tradurre i dati in informazioni preziose sia per prevenire eventuali problematiche che per migliorare le performance in base all’analisi dei KPI chiave.
Un altro modo per essere ancora più vicini ai nostri clienti, un altro strumento in più che arricchisce i nostri servizi digitali dedicati all’assistenza.
Per avere più informazioni,