HERATech

HERAtech, il cuore tecnologico del Gruppo HERA, aveva la necessità di:

• Identificare gli allarmi non pertinenti
• Ottimizzare l’impiego delle risorse aziendali
• Monitorare in tempo reale i valori dei sensori sugli impianti
• Aumentare la capacità predittiva di eventuali guasti

Dinova ha implementato una soluzione di Machine Learning e una piattaforma di streaming analytics su misura per HERAtech, ottenendo:

• Identificazione automatica dei falsi allarmi
• Analisi dei dati dei sensori in tempo reale
• Semplificazione del monitoraggio tramite una nuova interfaccia user-centered
• Integrazione della soluzione con SCADA per la gestione degli allarmi

Nei sistemi della rete idrica, le fluttuazioni dei livelli di cloro spesso superavano i range impostati, generando falsi allarmi. Questo comportava l’impiego di ore di lavoro da parte delle squadre operative, tenute a verificare ogni anomalia.

HERAtech si è rivolta a Dinova per ridurre gli allarmi non pertinenti e ottimizzare le risorse, migliorando il monitoraggio in tempo reale e aumentando la capacità predittiva di eventuali guasti.

Il progetto per HERAtech si è concretizzato in due fasi: dopo la prima realizzazione di un Proof of Concept (POC), è stato implementato uno strumento ad hoc studiato sulla particolare conformazione degli impianti e finalizzato a presidiare il parametro di iniezione di cloro nell’acqua.

L’integrazione del Machine Learning nella soluzione permette a HERAtech di identificare i falsi allarmi grazie a un algoritmo, addestrato sulla base dell’apprendimento supervisionato, che ha compreso tutte le situazioni di allarme, distinguendo quelle in cui era stato necessario l’intervento degli operatori da quelle in cui la segnalazione non era pertinente.

A supporto dell’algoritmo Dinova ha realizzato una piattaforma di streaming analytics in grado di acquisire lo storico dati dei sensori, analizzare automaticamente e in tempo reale i centinaia di valori ricavati su tutto il territorio e riferire se un particolare allarme necessita di intervento.

Successivamente è stata anche creata una nuova interfaccia front-end per semplificare il monitoraggio dei livelli di cloro e condividere facilmente i dati con operatori, manutentori e laboratori di analisi. L’interfaccia user-centered è stata studiata per restituire a ogni singolo operatore una fotografia trasparente dello stato delle analisi e, anche per questo, è stata fruttuosamente integrata con SCADA, il sistema di gestione allarmi attualmente attivo.

L’adozione della tecnologia Machine Learning ha avuto ripercussioni positive anche sul business: l’ampia raccolta ed elaborazione di dati attraverso l’algoritmo di ML ha infatti portato a un aumento della capacità predittiva dei sistemi di allarme, permettendo un risparmio in termini di costi di gestione per le emergenze.

“Il numero di falsi positivi è stato abbattuto dell’85% con una tendenza in crescita. Questo ha consentito una maggior focalizzazione degli operatori su altre attività come la risposta alle telefonate: mediamente ogni falso allarme chiedeva un tempo di gestione di circa 4 minuti, senza considerare che almeno nel 15% dei casi non era possibile vagliare da remoto l’alert e si rendeva necessario un intervento sul posto per verificare la natura dell’allarme. Non solo: l’introduzione del nuovo strumento ha portato a un aumento della capacità predittiva di eventuali guasti. La piattaforma è inoltre in grado di elaborare e restituire in tempo reale una grande mole di dati preziosi e si è rivelata così un ottimo supporto ai processi decisionali.”

— Sandro Boarini, dirigente responsabile Polo Telecontrollo e Call center Tecnico Hera

Innovazione e intelligenza artificiale per una gestione efficiente e predittiva

Dinova è stata la scelta ideale per HERAtech grazie alla capacità di integrare tecnologie avanzate di Machine Learning con soluzioni personalizzate e scalabili. La piattaforma di streaming analytics e l’interfaccia user-centered hanno reso il monitoraggio dei livelli di cloro più efficace e intuitivo, abbattendo drasticamente i falsi allarmi e ottimizzando le risorse aziendali.

L’adozione della soluzione ha portato benefici significativi:

• Riduzione dell’85% dei falsi allarmi
• Aumento della capacità predittiva e gestione proattiva dei guasti
• Processo decisionale data-driven, con impatti positivi sulla gestione della qualità dell’acqua e sulla collettività

Questo progetto, premiato con lo Smau Innovation Award e i Digital360 Awards 2020, dimostra come l’applicazione del Machine Learning e delle analytics possa migliorare la produttività aziendale, ottimizzare i costi operativi e favorire l’innovazione sostenibile nei servizi pubblici.