Edge-AI Predictive Maintenance Based on Industrial IoT and Digital Twin System

Immaginate il pavimento di una fabbrica come un'orchestra gigante e ronzante. Per decenni, i musicisti (le macchine) sono stati osservati da un direttore d'orchestra che controlla solo lo spartito una volta al giorno. Se la corda di un violino inizia a sfilacciarsi, il direttore potrebbe non accorgersene finché la corda non si spezza, la musica si interrompe e l'intero concerto si blocca. Questo è il vecchio modo di riparare le macchine: aspettare il guasto, poi riparare nel panico. Ma cosa succederebbe se il violino potesse sussurrare a un assistente intelligente nella sua stessa tasca, dicendo: "Ehi, la mia corda si sta assottigliando e sto per spezzarmi tra dieci minuti"? Questa è la promessa dell'Edge-AI e dell'IoT Industriale. Pensate all' "Edge-AI" come al dare alla macchina il proprio cervello proprio dove si trova, affinché possa pensare istantaneamente senza aspettare la risposta di un server distante. L' "IoT Industriale" è semplicemente il sistema nervoso di sensori che percepiscono il battito cardiaco, la temperatura e le vibrazioni della macchina. E un Digital Twin? Quello è una copia fantasma e perfetta della macchina che vive in un computer, eseguendo simulazioni per vedere come invecchierà quella reale. La grande domanda che gli scienziati si pongono è: possiamo combinare questi tre elementi per impedire alle macchine di rompersi prima ancora di emettere un suono?

Questo articolo, scritto da Megha Patil, Yogesh Bhirud e Dhanashree Barbole, dice "Sì, ed ecco come". Gli autori hanno costruito un sistema che agisce come un bodyguard super intelligente e iper-vigilante per i motori industriali. Invece di inviare tutti i dati grezzi a un server cloud lontano (che è come urlare un problema a un medico in un altro paese e aspettare una risposta), hanno messo il "medico" proprio accanto al paziente. Hanno usato un piccolo computer economico chiamato Raspberry Pi per agire come cervello "edge". Questo cervello ascolta quattro diversi sensi contemporaneamente: quanto la macchina trema (vibrazione), quanto si scalda (temperatura), che suono emette (acustica) e quanta elettricità sta assorbendo (corrente).

Il trucco magico nel loro sistema è un "Digital Twin" che comunica con i sensori. Immaginate che la macchina sia un corridore e il Digital Twin sia un allenatore che corre accanto a lui in un mondo virtuale. Se il corridore reale inizia a zoppicare, l'allenatore non si limita a guardare; simula cosa succede se il corridore continua a correre, poi dice immediatamente al corridore di rallentare o fermarsi. In questo studio, il sistema non si è limitato a indovinare; ha utilizzato una squadra di modelli di IA (inclusi alcuni che imparano dagli errori passati e altri che osservano i modelli nel tempo) per prendere una decisione. Il risultato? Il sistema è riuscito a individuare un guasto con un'accuratezza del 97,43%. Questo è un salto enorme rispetto ai metodi più vecchi. Ancora meglio, ha colto il 33,33% in meno di "falsi negativi" (il che significa che ha mancato molti meno problemi reali) rispetto ai sistemi che ascoltano un solo sensore, come la sola vibrazione.

L'articolo evidenzia anche quanto questo avvenga velocemente. Poiché il "medico" è proprio lì sulla macchina, il tempo necessario per capire un problema è inferiore a 13 millisecondi. È più veloce di un battito di ciglia umano. Nel mondo reale, questa velocità ha significato che le macchine hanno passato il 66,67% di tempo in meno ferme e rotte. Gli autori hanno testato questo su un motore che hanno deliberatamente fatto usurare lentamente, e il sistema ha previsto il guasto perfettamente. Hanno persino verificato i loro calcoli con un test statistico (un "t-test") e hanno scoperto che i risultati non erano solo fortuna, ma erano statisticamente significativi, il che significa che il miglioramento era reale e ripetibile.

Tuttavia, gli autori sono cauti nel non affermare che questa sia una soluzione magica e perfetta per ogni fabbrica sulla Terra. Ammettono che il loro test è stato eseguito in un laboratorio pulito e controllato, non in un pavimento di fabbrica disordinato con macchie d'olio, polvere e rumore elettrico strano. Notano anche che il piccolo computer che hanno usato (il Raspberry Pi) ha dei limiti; non può ancora eseguire i modelli di IA più massicci e complessi. Ma per ora, hanno dimostrato che non serve un supercomputer nel cloud per mantenere sane le macchine. Basta un cervello locale intelligente e un gemello virtuale per tenere d'occhio il futuro. Catturando i problemi in anticipo e risolvendoli prima che causino un disastro, questo approccio suggerisce che possiamo risparmiare molto denaro e far sì che l'orchestra della fabbrica continui a suonare senza perdere un colpo.