kiwitron
Changeable battery module for commercial forklift transportation

Per una flotta industriale composta da veicoli elettrici, la raccolta e l’elaborazione dei dati provenienti dalle batterie è un tassello estremamente importante. Se il rendimento dipende dall’efficienza dei mezzi e dalla loro capacità di evitare i fermi, conoscere il comportamento delle batterie, rilevarne eventuali anomalie, offre notevoli vantaggi.

Risparmio energetico, uso efficiente dei mezzi, prevenzione e mitigazione del rischio sono istanze essenziali su cui ragionare.
E l’analisi viene in soccorso delle imprese, segnalando eventuali utilizzi impropri di mezzi, devices e componenti in ottica di previsione di eventuali danni.

Ecco perché sempre di più si parla di analisi dei dati in funzione della manutenzione predittiva.
A causa di interruzioni e incidenti, oggi, le grandi industrie subiscono fino a 800 ore di inattività non programmate all’anno, il 30% delle quali impreviste, secondo uno studio del Deloitte & Manufacturing Institute.

La Smart Factory, in cui l’automazione delle macchine e l’utilizzo dei dati rappresenta una forza trasformativa per il business, pone quesiti importanti in relazione ai sistemi di controllo in tempo reale.
Raccogliere e analizzare dati operativi per prevedere implicazioni future e pianificare gli interventi di manutenzione, proteggendo gli investimenti è, oggi, il tesoretto di tante aziende.

Manutenzione predittiva e analisi dei dati 

Non è un segreto che il cuore pulsante del processo produttivo di ogni azienda è rappresentato da macchinari e automazioni, che svolgono un ruolo cruciale. In un sistema così composto, è facile comprendere l’importanza della pianificazione degli interventi di manutenzione sulle macchine, la prevenzione dei guasti e delle rotture.

Nel corso degli ultimi anni si è passati così da interventi manutentivi tradizionali ad interventi preventivi o proattivi, che non riparano il guasto ma lo prevengono. Tra questi, la manutenzione predittiva che mira a evitare che un determinato componente giunga alla fine della sua vita utile improvvisamente, a discapito della produttività e della sicurezza.

Dal punto di vista prettamente economico, i benefici che un simile approccio può apportare alle aziende sono riassumibili in:

  • Incremento dei ricavi: si produce in maniera ottimizzata, senza discontinuità;
  • Riduzione dei costi di manodopera: connessi agli interventi d’urgenza; Riduzione dei tempi di fermo produzione;
  • Riduzione dei costi connessi al ricambio dei macchinari, la cui vita si allunga;
  • Incremento della sicurezza per stabilimenti e risorse che vengono messe al corrente di eventuali malfunzionamenti;
  • Aumento dell’efficacia degli interventi di manutenzione: conoscendo la fonte che ha generato il guasto, non si procede per tentativi, con un notevole risparmio in termini di tempo e costi.

Non solo. Dal punto di vista organizzativo, è possibile sia monitorare la performance dell’impianto in modo preciso che gestire processi con un approccio prospettico e non limitato ad un ristretto arco temporale.

Il progetto di Kiwitron di anomaly detection sulle batterie 

Dall’esigenza di programmare interventi ad hoc, prima dell’insorgere di problematiche, nasce il nuovo progetto di anomaly detection sulle batterie di Kiwitron, che si lega strettamente alla manutenzione predittiva.

Una modalità che avvicina Kiwitron al traguardo di una manutenzione sempre più mirata. 

Attraverso l’analisi dei dati delle batterie e le relative anomalie, l’azienda sta sviluppando un’importante implementazione che consente di raccogliere dati categorizzati. Se in precedenza i dati venivano infatti mostrati senza ulteriori indicazioni sul portale Kiwisat, con l’algoritmo del team di Data Science Kiwitron si potranno invece individuare cluster (profili medi dei segnali provenienti dalla batteria) ed outlier, ovvero le “eccezioni” alla norma. E quindi molte più informazioni.

Con anomaly detection, si parte quindi dall’analisi dei dati delle batterie per arrivare alla manutenzione predittiva tramite il rilevamento delle anomalie. 

Attualmente è possibile segnalare:

  • le anomalie derivanti dal biberonaggio della batteria 
  • le giornate che presentano comportamenti anomali in base ad analisi su un arco temporale

L’anomalia rilevata potrà dare sia segnali positivi che negativi rispetto al comportamento della batteria.

Per il futuro, Kiwitron sta già lavorando su nuove implementazioni, come il confronto del comportamento delle batterie rispetto ad ulteriori parametri e l’inoltro di una notifica di comportamento anomalo all’utente, che questi potrà scegliere di rifiutare o accettare.