Passaggio a nuove strategie di manutenzione con monitoraggio remoto

Sfruttare l'IoT nella manutenzione degli ascensori

di Dan Bryant, Johannes Guntsch, Kyle Hendren e Christopher Pearce

I tempi di fermo dell'ascensore rallentano le persone e le operazioni. Inoltre, troviamo che non ci sono abbastanza informazioni sullo stato di salute attuale delle apparecchiature in servizio. Ciò crea inefficienze quotidiane per i proprietari di edifici e i fornitori di servizi. L'aumento dei costi operativi e dei tempi di fermo influisce sulla redditività dei proprietari degli edifici, mentre i fornitori di servizi sperimentano inefficienze del personale e aumento dei costi quando rispondono a chiamate di manutenzione urgenti.

Con i recenti progressi nei costi e nelle capacità di sensori, comunicazione dati, archiviazione e calcolo, una nuova classe di prodotti intelligenti cambierà l'economia e le dinamiche del settore del trasporto verticale (VT). Questi prodotti saranno forniti sotto forma di hardware con software integrato, insieme a servizi continui che coprono l'acquisizione dei dati, la gestione dei dati nel cloud e l'analisi avanzata.

Strategie di manutenzione

Una soluzione di monitoraggio analitico dell'Internet of Things (IoT) consente ai proprietari di edifici e alle organizzazioni di servizi di trasferire le attività di manutenzione da strategie di manutenzione reattive e preventive obsolete a strategie di manutenzione proattive, basate sulle condizioni e/o predittive/prescrittive.

Le attività di manutenzione hanno seguito lo stesso processo dalla Rivoluzione Industriale. Le aziende acquistano beni e, dopo averli messi in servizio, stabiliscono intervalli di manutenzione basati su cicli e riparazioni, o sostituiscono in caso di guasto. Entrambi gli approcci alla manutenzione possono essere realizzati senza l'uso della tecnologia. L'industria della TV non fa eccezione. Attualmente, la maggior parte dei servizi di manutenzione VT è reattiva o preventiva.

La manutenzione reattiva/correttiva viene eseguita a seguito del rilevamento di una variazione o di un guasto ed è finalizzata al ripristino delle normali condizioni di funzionamento della macchina e alla riduzione al minimo dei tempi di fermo. Questo approccio si basa sulla convinzione che i costi sostenuti per i tempi di fermo e le riparazioni siano inferiori all'investimento richiesto per un programma di manutenzione.

La manutenzione preventiva (PM) viene attivata e guidata dal tempo o dagli eventi. Le attività di manutenzione vengono eseguite a intervalli prestabiliti o secondo criteri prescritti. Questa strategia mira a ridurre il rischio di guasto o degrado delle prestazioni dell'apparecchiatura. Con questo approccio, le parti rilevanti verranno sostituite o ricostruite prima o prima del guasto previsto. Poiché la manutenzione preventiva richiede tecnici qualificati ed esperti che capiscono quando l'attrezzatura non funziona a livelli ottimali, la manutenzione preventiva non terrà conto del funzionamento effettivo della macchina, dove, in alcuni casi, le parti possono essere sostituite quando non è necessario e non necessario si verificano tempi di inattività. Avanzare oltre i primi due livelli è dove l'IoT sta avendo il suo impatto.  

Nella manutenzione proattiva, la manutenzione dovrebbe essere eseguita solo quando determinati indicatori mostrano segni di riduzione delle prestazioni o guasti imminenti in cui i sensori creerebbero un allarme ad ogni deviazione. Tutte le apparecchiature che mostrano valori anomali vengono rinnovate o sostituite. In questo modo è possibile allungare la vita utile e generare elevati livelli di affidabilità, sicurezza ed efficienza.

La manutenzione predittiva è progettata per determinare le condizioni delle apparecchiature in servizio per prevedere quando eseguire la manutenzione per massimizzare i tempi di attività. Al momento della generazione dei dati durante le operazioni, viene definita una probabilità di guasto e vengono stabilite contromisure entro determinati intervalli.

La manutenzione prescrittiva (RxM) è unica in quanto, anziché limitarsi a prevedere i guasti, tenta di produrre raccomandazioni o scenari incentrati sui risultati per le operazioni e la manutenzione dall'analisi prescrittiva. Non solo ti dirà quando si verificherà un errore, ma ti fornirà diversi scenari tra cui puoi scegliere in base a varie azioni.

Per ottenere RxM è necessaria la combinazione di dati delle apparecchiature, dati dell'assistenza sul campo e apprendimento automatico. Gli obiettivi di questi tre livelli principali sono simili in quanto mirano a ridurre i tempi di inattività non pianificati che possono causare la perdita di entrate, materiali e manodopera.

La crescita dell'IoT

Entro il 2020 saranno in uso oltre 20 miliardi di dispositivi IoT.[1] McKinsey & Co. stima questo numero in 26-30 miliardi di dispositivi.[2] Che il numero sia 20 o 30 miliardi o una via di mezzo, ciò riflette una crescente attenzione all'utilizzo della tecnologia basata su sensori e dell'analisi dei dati per ottenere risultati.

L'IoT avrà un grande impatto sull'economia trasformando le imprese, facilitando nuovi modelli di business, migliorando l'efficienza e generando nuove forme di reddito. Le aziende saranno i principali motori delle soluzioni IoT.

Utilizzo di IoT per VT

Quando le aziende entrano per la prima volta nel monitoraggio remoto degli ascensori, attraversano fasi simili di sviluppo del prodotto:

• Diagnostica con dati grezzi — cercando di interpretare i segnali in modo grezzo
• Avvisi — molto semplicemente, utilizzando segnali per avvisare l'utente quando l'ascensore è fuori servizio
• Top Down Engineering: inizia con il quadro generale e analizza ogni sottosistema in modo più dettagliato.
• Sensori IoT, comunicazione, cloud e apprendimento automatico: forniscono informazioni fruibili senza che una persona progetti la diagnostica. L'uso di algoritmi adattivi di autoapprendimento è un esempio chiave.

La manutenzione proattiva si basa su una progettazione accurata, efficiente ed economica. È importante sottolineare che la qualità dei dati condizionali fornisce input di qualità superiore al machine learning per le migliori previsioni. Nella fretta di arrivare alla manutenzione predittiva, molti hanno saltato questo importante livello proattivo basato sulle condizioni. Tuttavia, l'approccio chiave adottato da Datahoist nei livelli di acquisizione dati e edge-analytics fornisce dati più fruibili per la manutenzione basata sulle condizioni e dati più ricchi per fare previsioni. 

Il cloud aggiunge un'enorme capacità di trasformare le nostre pratiche di manutenzione, anche se, in realtà, è più difficile di quanto la maggior parte delle persone pensi ottenere tutti i dati delle macchine degli ascensori dentro e fuori dal cloud. Un'ulteriore complicazione delle soluzioni IoT è che, in molti casi, le reti cellulari semplicemente non sono abbastanza veloci da gestire la quantità di dati inviati avanti e indietro. C'è una soluzione: l'edge computing.

L'edge computing è estremamente adatto per il nostro settore. Ci consente di fare cose ai margini di una rete, elaborando le cose localmente, riducendo la larghezza di banda e i costi del cloud e dei cellulari. Ha anche un tempo di risposta migliore rispetto ai sensori che lavorano direttamente con il cloud. Le soluzioni IoT industriali richiedono che i problemi vengano rilevati in millisecondi: una latenza più lunga non è fattibile.

L'edge computing non è una novità per gli sviluppatori e gli ingegneri di Datahoist. Alla fine del 2014, hanno iniziato lo sviluppo del loro dispositivo di quinta generazione con il piano di utilizzare l'edge computing per tutto il tempo. Altri hanno iniziato a girare l'angolo dopo aver visto i grandi vantaggi dell'edge computing.

Inoltre, oggi sul mercato ci sono alcuni ottimi strumenti hardware IoT, come Arduino e Raspberry Pi, che possono aiutare a far funzionare rapidamente i prototipi. Tuttavia, questi tipi di strumenti non sono adatti alla produzione commerciale e mancano di funzionalità. Ci sono anche molti diversi strumenti di analisi disponibili.

Tuttavia, nel mondo dell'IoT industriale non esistono funzioni predefinite per gli strumenti predittivi. Ogni settore deve avere le proprie competenze di dominio. È qui che Datahoist e Draka Elevator mettono in campo la loro esperienza specifica nel dominio degli ascensori. Il valore di avere competenze di dominio come parte/intrinseca alle soluzioni non può essere sottovalutato, poiché fornisce maggiori intuizioni attuabili.

Datahoist sfrutta la sua esperienza nel settore degli ascensori e nello sviluppo di hardware/software. Ciò ha portato il nostro team a trovare una soluzione chiara per il monitoraggio remoto degli ascensori e la gestione delle risorse: Draka VantagePoint, powered by Datahoist. Innanzitutto, la nostra soluzione utilizza la tecnologia dei sensori IoT per estrarre i dati operativi e della macchina da qualsiasi ascensore, indipendentemente dal tipo. In secondo luogo, sfruttiamo l'edge computing, che è particolarmente adatto per gli ascensori. Infine, i dati sono archiviati nel cloud, dove li utilizziamo nelle nostre interfacce utente intuitive per fornitori di servizi, proprietari di edifici, gestori di strutture e consulenti.

Sintesi

L'IoT sta cambiando le metodologie di manutenzione degli ascensori. La diminuzione dei costi di sensori, comunicazioni, archiviazione e analisi dei dati ha reso possibile raccogliere ed elaborare enormi volumi di dati come mai prima d'ora. La realizzazione saranno gli oltre 20 miliardi di dispositivi IoT in servizio entro il 2020. Analizzando i dati provenienti dai sensori, le aziende ridurranno sia il tempo tra le attività di manutenzione che il tempo di riparazione, con conseguente risparmio sui costi di manodopera e riduzione dei tempi di fermo.

I prodotti per il monitoraggio degli ascensori saranno forniti sotto forma di hardware con software integrato, insieme a servizi continui che coprono l'acquisizione dei dati, la gestione dei dati nel cloud e l'analisi avanzata. Attraverso Draka VantagePoint, una soluzione di monitoraggio remoto analitico, consentirà ai proprietari di edifici e alle organizzazioni di servizi di trasferire le attività di manutenzione, dalle strategie reattive e PM a strategie di manutenzione proattive e, infine, predittive.

Referenze
[1] "Gartner afferma che nel 8.4 saranno in uso 2017 miliardi di "cose" connesse, in aumento del 31% rispetto al 2016", comunicato stampa di Gartner, 7 febbraio 2017.
[2] "L'Internet delle cose: valutare le opportunità", McKinsey & Co., dicembre 2014.