Un’azienda manifatturiera meccanica multinazionale, presente in oltre 20 paesi con oltre 10 impianti produttivi e circa 4000 dipendenti.

L’obiettivo ultimo dell’azienda era di essere data-driven. La prima sfida era l’ottimizzazione delle linee produttive e riuscire a individuare in tempo reale comportamenti anomali dei macchinari che producono componenti meccanici, in modo da anticipare possibili downtime in produzione.

L’ampia varietà dei macchinari e dei componenti rendeva questo risultato particolarmente sfidante, poichè rendeva difficile stabilire una modalità standard per individuare i pattern nei dati, che potesse essere replicata per tutti i macchinari e tutte le linee produttive.

Selezionare il miglior approccio Machine Learning per individuare le anomalie che costituiscono un predittore del downtime dei macchinari. Questo approccio consiste nell’assegnare un “Anomaly Score” basato sui dati storici, disponibili grazie al sistema di raccolta dati precedentemente attivato dal cliente. Sulla base dell’Anomaly Score è possibile individuare una soglia sopra la quale il comportamento viene classificato come anomalo.

Grazie a un modello di Machine Learning, i segnali in output possono essere comparati con quelli in input. Se la differenza fra questi dati supera una determinata soglia, viene individuata una anomalia.

Ogni anomalia viene mostrata su una dashboard  con una panoramica dell’impianto e può così essere immediatamente presa in carico dallo staff responsabile.  Questa visibilità immediata e la conoscenza anticipata che ne deriva permettono ai team di pianificare in anticipo e prevenire i downtime intervenendo con le misure appropriate.

Il cliente ha constatato miglioramenti significativi nel monitoraggio delle linee di produzione. Grazie a questo progetto il nostro cliente ha inoltre ottenuto:

  • Minore downtime causato da arresti inaspettati
  • Minori costi di manutenzione
  • Migliore comprensione dell’uso effettivo dei macchinari
  • Ottimizzazioine del tempo vita dei macchinari
  • Ottimizzazione dei ricambi