IoT, Big Data e Apprendimento automatico
“IoT, Big Data e Apprendimento automatico” è un articolo scritto da Rory Smith (Rory Smith è professore a contratto in tecnologia ascensoristica presso l’Università di Northampton. Vanta più di 46 anni di esperienza ed è titolare di numerosi brevetti) ed è stato pubblicato su Elevatori Magazine nel 2017
IoT, Big Data e Apprendimento automatico – Le nuove tecnologie come l’Internet delle Cose (IoT), Big Data, il Cloud Computing e l’apprendimento automatico (ML Machine Learning) possono potenzialmente cambiare il settore di ascensori e scale mobili. Ciò è particolarmente vero nell’ambito della manutenzione di ascensori e scale mobili, sviluppo del prodotto e qualità. La manutenzione di ascensori e scale mobili si è evoluta negli anni. Le varie forme di manutenzione hanno incluso manutenzione per guasti, preventiva, manutenzione in base all’uso, manutenzione basata sulle attività. Utilizzando l’Internet delle Cose, il Cloud Computing, Big Data e l’Apprendimento automatico, è arrivata una nuova forma di manutenzione: la Manutenzione guidata dai dati. La Manutenzione guidata dai dati offre vantaggi a proprietari di edifici, amministratori, passeggeri di ascensori e scale mobili e aziende ascensoristiche. Viene spiegato cosa sono queste nuove tecnologie e come si applicano al settore ascensoristico. Inoltre, vengono presentati i dettagli di diverse applicazioni nel mondo reale di queste tecnologie sugli ascensori.
Internet delle Cose, Big Data e Apprendimento automatico
Introduzione a IoT, Big Data, Apprendimento automatico
Ascensori e scale mobili vengono installati una volta, modernizzati ogni 10-20 anni, ma manutenuti per tutta la durata del loro ciclo di vita. Gli ascensori del Woolworth Building di New York City, uno dei primi grattacieli, furono installati nel 1914.
Gli ascensori sono stati modernizzati per la quarta volta nel 2010 e gli ascensori sono ora in servizio e in manutenzione. La manutenzione è una grossa fonte di introiti e profitti per il settore ascensoristico.
L’Internet delle Cose (IoT) ha la capacità di modificare il modello di affari della manutenzione del settore ascensori.
Internet delle Cose
Il termine “Internet delle Cose” è stato coniato dall’imprenditore britannico Kevin Ashton nel 1999 [1].
Oggi ci sono circa tre miliardi (3.000.000.000) di utenti internet. La maggior parte sono persone che scambiano informazioni su internet [2]. Fra 5 anni, da 30 a 50 miliardi di oggetti fisici, cose, saranno in connessione con internet. Queste cose, a cui si fa riferimento come macchine, comunicheranno con altre macchine, come i computer.
A questa forma di comunicazione si fa riferimento con il termine comunicazione Machine to Machine (M2M).La M2M può utilizzare le linee Plain Old Telephone System (POTS), la comunicazione cellulare, le connessioni Ethernet, il Wi-Fi o molte altre forme di comunicazione elettronica, non tutte esistenti oggi.
Big Data
Big Data è un termine con molti significati. Inizialmente, faceva riferimento a gruppi di dati che erano troppo grandi o troppo complessi perché i software tradizionali e i computer li elaborassero in tempi ragionevoli. Tuttavia, oggi Big Data significa anche uso di analisi predittiva per estrarre valore dai dati indipendentemente dalla loro quantità [3].
L’elaborazione dei Big Data richiede grandi quantità di potenza di elaborazione, potenza che non è disponibile nei computer da tavolo. I Big Data sono elaborati da decine di migliaia di server che utilizzano grandi software in parallelo. Non tutte le aziende dispongono di grandi server farm e devono quindi individuare fonti alternative di potenza di elaborazione come il Cloud Computing.
Internet delle Cose, Big Data e Apprendimento automatico
Cloud computing
Il cloud computing è l’opposto del computing on-premises (in locale). Con computing on-premises tutto il software e l’hardware è di proprietà dell’operatore. Se un’azienda ha bisogno di 100 server per svolgere la propria attività, deve acquistare 100 server, costruire un impianto di aria condizionata per ospitare i server e fornire energia elettrica e supporto di comunicazione per tali server. Inoltre, l’operatore deve fornire il supporto necessario per mantenere la struttura operativa.
Se un giorno alla settimana sono necessari altri 25 server per analisi dei dati, in tal caso è necessario creare e gestire una struttura supplementare con 25 server.
Il modello on-premises ha sia una componente di spesa per beni strumentali e una componente di spesa operativa con il Cloud Computing è tutto in outsourcing. L’operatore paga solo per i calcoli e l’archiviazione dei dati in base all’uso.
Se l’operatore ha bisogno di 100 server durante il giorno, 25 server durante la notte e 125 server per l’esecuzione dell’analisi dei dati, il cloud provider fornirà solo i server richiesti. Il numero di server collegati può cambiare in modo dinamico in base alle esigenze. Il modello di cloud computing non ha alcuna componente di spese per beni strumentali, è un modello basato esclusivamente sulla spesa operativa [4].
Il cloud provider può farlo perché fornisce servizi a livello globale. La server farm può essere situata in Irlanda, mentre uno dei suoi clienti può essere in Cina, un altro in Europa, e un altro ancora nel Nord America. I suoi clienti utilizzano lo stesso server cloud in momenti diversi nell’arco delle 24 ore.
I cloud provider di solito hanno server farm in diverse località in cui si esegue il backup dei dati. Se un disastro naturale come un terremoto o un tornado dovessero colpire un impianto, la struttura parallela continuerebbe a funzionare senza che alcuna interruzione venga percepita dall’utente. Da notare che la maggior parte delle aziende ha un mix di computing in locale e cloud.
Apprendimento automatico & Data mining
L’Apprendimento automatico (Machine Learning ML) è un’evoluzione dell’Intelligenza Artificiale (AI). L’obiettivo di AI è sviluppare computer e software che simulano l’intelligenza umana. Uno degli obiettivi di AI è l’apprendimento. L’Apprendimento automatico (ML) consiste nel fare previsioni basate sulle proprietà apprese dai dati [5]. ML è talvolta confuso con il Data Mining.
L’obiettivo del Data Mining è di scoprire proprietà precedentemente sconosciute in un insieme di dati. Mentre sia ML sia Data Mining sono utili nel settore degli ascensori, credo che l’ML darà risultati più tangibili più rapidamente del data mining.
Ci sono molti strumenti che possono essere utilizzati per ML. Uno degli approcci più comuni è conosciuto come Alberi di classificazione e regressione (CART) [6]. Questi sono alberi di decisione che apprendono da quando è accaduto in passato e utilizzano tale conoscenza per fare previsioni sui risultati futuri. Il software di recente sviluppo basato su CART rende possibile l’analisi dei dati da parte di professionisti qualificati che non devono essere necessariamente scienziati di dati.
Scienziati di dati e team per lo studio scientifico dei dati
Gli scienziati di dati sono le persone che hanno una combinazione di senso degli affari e conoscenza di analisi dei dati o statistiche. La maggior parte degli scienziati di dati hanno lauree avanzate nel campo della scienza, come master o dottorati di ricerca. Thomas Davenport suggerisce che la combinazione di business, capacità di comunicazione e capacità di analisi non possano trovarsi in una sola persona [7].
Egli suggerisce che invece di cercare di trovare una persona con tutte quelle competenze, può essere necessario formare un team dedicato alla scienza dei dati.
Se uno scienziato di dati è impegnato esclusivamente nel Data Mining, quindi non è necessaria alcuna conoscenza di analisi del prodotto. Se lo scienziato dei dati sta eseguendo un’analisi predittiva su uno specifico prodotto, come un ascensore o una scala mobile, poi lo scienziato o il team dedicato allo studio scientifico dei dati devono conoscere il prodotto. Tale persona è conosciuta come esperto di settore.
La storia della manutenzione di ascensori e scale mobili
Il tipo di manutenzione erogata dal settore degli ascensori si è evoluto nel corso degli anni. Inizialmente veniva fornita solo una manutenzione reattiva (guasto). Quando un ascensore smetteva di funzionare, un tecnico veniva chiamato sul posto per rimettere in servizio l’ascensore.
Poi il settore si è convertito alla manutenzione preventiva. L’obiettivo di questa forma di manutenzione era di eseguire la manutenzione prima che si verificasse un guasto e di aumentare la durata di vita di un ascensore.
Il monitoraggio in remoto di ascensori e scale mobili è apparso alla fine degli anni 1980. Anche se il monitoraggio in remoto può avvisare l’azienda ascensoristica del malfunzionamento dell’ascensore, non ha di per sé una funzione di riduzione del numero di guasti.
La manutenzione basata sull’uso è apparsa nel settore ascensoristico alla fine del 1990. Il concetto di questo schema era di regolare i tempi di manutenzione in base all’uso dell’ascensore. Il concetto non era totalmente nuovo. L’olio motore nelle automobili deve essere regolarmente cambiato dopo un certo numero di chilometri. La manutenzione basata sulle condizioni consiste semplicemente nel fornire manutenzione in base alle condizioni di un sistema o dei componenti.
Un esempio si avrebbe montando un accelerometro e un sensore di temperatura su un cuscinetto critico, monitorando le frequenze di vibrazione, l’ampiezza di vibrazione e la temperatura del cuscinetto. Quando la lettura inizia ad allontanarsi dal funzionamento normale, può essere programmata la manutenzione dei cuscinetti o la loro sostituzione. La manutenzione basata sulle attività comporta la generazione di elenchi di attività di manutenzione in base al tipo di utilizzo e condizioni dell’ascensore.
IoT, Big Data, Apprendimento automatico
Manutenzione basata sui dati
La manutenzione basata sui dati combina tutti i tipi di manutenzione descritti in precedenza in un unico sistema. La manutenzione su dati, anche se nuova per molti settori incluso quello di ascensori e scale mobili, è utilizzata da un certo tempo in ambiti come l’aviazione [8]. Il monitoraggio remoto segnala l’utilizzo e le condizioni dell’ascensore al Cloud.
Utilizzando il Machine Learning, vengono fatte previsioni su cosa e quando deve essere manutenuto. Queste attività preventive sono poi comunicate al tecnico di servizio del Cloud. Il tecnico di servizio eseguirà quindi solo quelle operazioni che proteggono i beni del cliente; gli ascensori o le scale mobili. La natura predittiva della manutenzione su dati dovrebbe essere in grado di pianificare le operazioni di manutenzione che impediranno i guasti o aumenteranno il tempo medio tra guasti (MTBF).
Inoltre, quando viene rilevato un guasto, la manutenzione su dati dovrebbe essere in grado di consigliare un’azione preventiva per eliminare una perdita di continuità del servizio.Ad esempio, se viene monitorata la corrente del motore porta, un aumento di corrente potrebbe, nel tempo, indicare che è necessaria ulteriore manutenzione alle porte nella visita successiva.
Se viene rilevato un improvviso aumento della corrente del motore porta, ciò potrebbe indicare che la porta è stata danneggiata, forse colpita da un carrello, e che deve essere inviato un tecnico per correggere il problema prima che si verifichi un guasto. I guasti non pianificati sono costosi. Sono molto più costosi della manutenzione preventiva.
La manutenzione su dati può ridurre e, auspicabilmente, eliminare i guasti non programmati. Ciò consentirà di ridurre i costi di manutenzione e, infine, i prezzi di manutenzione. Inoltre, un minor numero di guasti aumenterà la soddisfazione del cliente.
Tempistica
Quando può essere implementato un sistema di manutenzione su dati? La tecnologia per la manutenzione su dati esiste da 10 o 20 anni. Tuttavia, fino a poco tempo fa, aveva costi proibitivi.Oggi abbiamo la possibilità di elaborare i calcoli in modo molto veloce e a costo molto basso. Il costo di memorizzazione dei dati è ora una frazione di quello che era sino a pochi anni fa. La memorizzazione dei dati a basso costo ha reso i Big Data economicamente fattibili. Internet è disponibile quasi ovunque nel mondo dove si trovano ascensori. La comunicazione di dati wireless a basso costo è anche disponibile a livello mondiale. I costi e la tecnologia hanno raggiunto un punto in cui i benefici economici della manutenzione su dati può più che coprire i costi e permette una maggiore soddisfazione del cliente.
Internet delle Cose, Big Data e Apprendimento automatico – Conclusioni
La manutenzione basata sui dati cambierà il modo in cui sono condotte le operazioni di manutenzione. Più informazioni tempestive sulle prestazioni degli ascensori influenzeranno lo sviluppo del prodotto. Se un nuovo componente ha un tasso di fallimento superiore o inferiore del componente che sostituisce, ciò verrà rilevato più rapidamente. Se la qualità è definita in base al numero di guasti per unità nell’arco di un anno, la qualità dovrebbe migliorare. Forse la manutenzione avrà un prezzo base al tempo di attività. L’analisi dei dati potrà anche fornire risultati inaspettati. Solo il tempo potrà determinare quanto questi risultati saranno vantaggiosi. Tuttavia, è logico supporre che questi risultati inaspettati saranno vantaggiosi sia per il settore degli ascensori e, aspetto ancora più importante, per i nostri clienti.
Riferimenti ibliografici per l’articolo ‘IoT, Big Data, Apprendimento automatico’
1 Internet of things, disponibile da: en.wikipedia.org/wiki/Internet_of_Things (ultimo accesso: 29 giugno 2015).
2 Internet World Statistics, disponibile da: www.internetworldstats.com/stats.htm (ultimo accesso: 29 giugno 2015).
3 Big Data, disponibile da: en.wikipedia.org/wiki/Big_data (ultimo accesso: 30 giugno 2015).
4 Cloud computing, disponibile da: en.wikipedia.org/wiki/Cloud_computing (ultimo accesso: 30 giugno 2015).
5 Machine learning, available from: en.wikipedia.org/wiki/Machine_learning (ultimo accesso: 30 giugno 2015).
6 Decision tree learning, disponibile da: en.wikipedia.org/wiki/Decision_tree_learning.
7 Davenport, T., Big Data @ Work Boston: Harvard Business School Press (2014).
8 Yang, W. et al. Multiple Classifier System for Aircraft Engine Fault Diagnosis, disponibile da: citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.88.9280 (ultimo accesso: 7 August 2015).
