Il machine learning consente di prevenire i guasti ai sistemi di produzione

Anomalie anche minime nei sistemi di controllo industriale, con il passare del tempo possono portare a blocchi della produzione. Una nuova soluzione basta sul machine learning consente il rilevamento preventivo.

Business Tecnologie/Scenari
Un malfunzionamento di un macchinario di produzione può essere causato da un guasto, da una manomissione volontaria o involontaria, o da un attacco informatico. A prescindere dalla causa, i problemi che ne seguono vanno dal rischio di danni a cose e persone alla realizzazione di prodotti difettosi, finanche al blocco della produttività.

Prevenire queste situazioni è prioritario in un momento in cui la convergenza sempre più stretta fa OT e IT e la diffusione di dispositivi IIoT espone il settore OT a rischi sconosciuti fino a poco tempo fa. È a questo fine che Kaspersky ha ideato Machine Learning for Anomaly Detection, un prodotto che ha l'importante funzione di rilevare le anomalie nei processi di produzione.

Può monitorare qualsiasi macchinario esistente e non occorre alcun componente hardware. Il software si interfaccia con tutti i sensori già presenti sui sistemi di controllo industriale SCADA, e ne analizza la telemetria mediante algoritmi di machine learning. Il monitoraggio continuo produce avvisi nel caso in cui venga rilevato uno scostamento dei parametri dai valori standard di conformità.
kaspersky mladLa rete neurale dev'essere istruita usando le telemetrie storiche. Da qui ricava i valori medi che permettono di calcolare gli scostamenti dal comportamento standard della macchina. La taratura dev'essere poi rifatta ogni volta che viene cambiato un processo produttivo: per esempio se viene introdotta una nuova materia prima o se si sostituisce una parte della macchina.

Gli addetti alla sicurezza controlleranno la situazione mediante grafici che riassumo visivamente la situazione. Il software visualizza i grafici di tutti i processi monitorati, e consente anche di tenere traccia delle anomalie riscontrate, del periodo in cui sono state segnalate e delle parti del sistema interessate.

Da notare che spesso un'anomalia minima, come il parametro di un sensore, si verifica prima che il macchinario manifesti un malfunzionamento percettibile all'occhio umano. Questo significa che identificare preventivamente il problema può prevenire l’interruzione dei processi e di conseguenza ridurre i costi dei tempi di inattività.

Le stime pubblicate da Kaspersky in relazione al risparmio che si otterrebbe riducendo del 50% i tempi di inattività indicano che una grande centrale elettrica di risparmiare fino a 1 milione di dollari all’anno e una raffineria di petrolio fino a 2,5 milioni di dollari. Su una PMI le cifre sono più basse, ma potrebbero comunque fare la differenza.
Se questo articolo ti è piaciuto e vuoi rimanere sempre informato con le notizie di SecurityOpenLab.it iscriviti alla nostra Newsletter gratuita.

Notizie correlate

Speciali Tutti gli speciali

Speciale sicurezza mobile

Speciale

Proteggere il nuovo smart working

Speciale

Sicurezza cloud native

Speciale

Backup e protezione dei dati

Speciale

Speciale video sorveglianza

Calendario Tutto

Set 30
Webinar Kaspersky - Guai con i ransomware? Volete essere flessibili ma al riparo da attacchi informatici?
Ott 05
VMworld 5-7 ottobre 2021
Ott 12
Webinar Zyxel - Uffici “ibridi” e modalità di lavoro “fluida"

Iscriviti alla nostra newsletter

Soluzioni B2B per il Mercato delle Imprese e per la Pubblica Amministrazione

Iscriviti alla newsletter

contatori