Manutenzione predittiva ovvero prendere decisioni miglior, in meno tempo e, soprattutto, prima del tempo grazie alla “magia” possibile del digitale.
Una delle attività in grado di generare i maggiori vantaggi nel contesto della transizione tecnologica in atto da tempo è senza dubbio costituito dalla manutenzione predittiva, che si avvia a diventare la metodologia più utilizzata nel suo ambito. Agire in anticipo, soltanto quando si rivela strettamente necessario, consente alle organizzazioni di contenere in maniera sensibile i costi, riducendo al minimo i downtime, i tanto temuti momenti di “discontinuità” digitale, incrementando al tempo stesso l’efficienza produttiva.
La manutenzione predittiva è ormai radicata in vari ambiti industriali e si fonda su un approccio basato sui dati. Si tratta infatti di utilizzare i dati storici per prevedere le probabilità di guasto dei sistemi monitorati. Queste informazioni vengono quindi utilizzate per programmare i tempi di inattività per le riparazioni e intervenire prima che l’apparecchiatura si guasti a tutti gli effetti.
Prendere decisioni migliori, in meno tempo… prima del tempo.
Negli ambienti di produzione, una corretta progettazione dell’algoritmo di manutenzione predittiva deve poter integrare molteplici dati, conoscenze, discipline, tenendo conto di differenti fattori e variabili. In questo contesto, Moxoff vanta una solida esperienza nello sviluppo di modelli previsionali e prescrittivi evoluti, capaci di implementare i sistemi di manutenzione predittiva e di controllo di qualità data-driven. Un controllo, come anticipato, guidato dunque da dati di qualità.
Cos’è la manutenzione predittiva
Venendo alla definizione di massima. La manutenzione predittiva è un approccio data-driven che utilizza i dati storici acquisiti dai sensori sul campo per rilevare le possibili anomalie e prevedere quando i sistemi di fabbrica potrebbero subire dei guasti o dei malfunzionamenti. Rispetto ad altri metodi, come la tradizionale manutenzione preventiva (o programmata), si rivela più efficace nel prevenire i tempi di fermo macchina, anche se più impegnativa da implementare, per via della sua necessaria integrazione con i processi.
Le analisi sui dati effettuate grazie a tecniche di machine learning consentono di generare insight utili a prevedere la miglior linea d’azione da intraprendere e intervenire sul campo soltanto quando si rivela strettamente necessario, riducendo sensibilmente le operazioni rispetto ai piani programmati.
Uno dei metodi più comuni per implementare la manutenzione predittiva consiste in quattro fasi operative:
- Rilevamento e acquisizione dei dati grazie a sensoristica IoT, con tecnologie come analisi delle vibrazioni, analisi soniche e ultrasoniche, analisi a infrarossi, analisi elettriche, analisi chimiche e fisiche dei fluidi, ecc.
- Trasmissione in tempo reale dei dati ad un sistema di gestione centrale
- Advanced Analytics con tecniche di machine learning per generare insight predittivi
- Ispezioni secondo specifici protocolli di manutenzione e risposta, svolti da personale umano e/o sistemi automatizzati.
Come nasce la manutenzione predittiva
Anche se la sua implementazione su larga scala è avvenuta in tempi recenti, soprattutto grazie alla democratizzazione di tecnologie come IoT, AI e machine learning, la manutenzione predittiva vanta origini che è possibile far risalire addirittura agli anni Quaranta del Novecento, quando C.H. Waddington sviluppò un processo per migliorare la pianificazione delle attività di manutenzione della British Air Force (RAF), originariamente impostate ogni 50 ore di volo.
Grazie ad una strategia basata sulle ispezioni post-volo, aventi valenza predittiva, Waddington è riuscito ad aumentare il numero di ore di volo tra i processi manutentivi del 60%, rivoluzionando le pratiche nel settore e diventando nel tempo una prassi consolidata nell’ambito di tutta l’aviazione militare. La maturità delle attuali tecnologie abilitanti ha consentito alla manutenzione predittiva di diventare uno standard in moltissimi altri settori applicativi, come automotive, aerospace, manifattura e AEC (architecture, engineering, construction).
Un esempio concreto è oggi offerto da una soluzione di manutenzione sviluppata da Moxoff per Candy, che ha consentito di individuare oltre il 50% di lavatrici che si sarebbero altrimenti rotte entro 15 lavaggi. I contesti applicativi della manutenzione predittiva sono incredibilmente vari e non esistono di per sé ambiti di business in cui non sia possibile goderne attualmente i vantaggi.
I vantaggi della manutenzione predittiva
Se implementata in maniera corretta e consapevole nei processi aziendali, la manutenzione predittiva è in grado di generare significativi vantaggi, di fronte ai quali diventa davvero difficile tornare indietro.
Riduzione dei tempi di inattività
La capacità di anticipare i problemi rilevando ogni possibile criticità consente di:
- Ridurre in maniera sensibile i tempi di inattività non programmati
- Effettuare più interventi simultaneamente, evitando procedure non necessarie
- Evitare danni economici e reputazionali dovuti ai downtime non programmati
Secondo uno studio del World Economic Forum grazie alla manutenzione predittiva è possibile ridurre fino al 70% i tempi di inattività, rispetto al passato.
Riduzione dei costi
La manutenzione predittiva è in grado di ridurre i costi e aumentare il ROI grazie a:
- La riduzione degli spostamenti del personale addetto alla manutenzione
- Riduzione del personale e delle risorse strumentali, compreso l’inventario, necessarie per i processi di manutenzione
- Incremento degli interventi risolutivi al primo tentativo
Secondo il già citato studio del WEF, la manutenzione predittiva può ridurre fino al 30% i costi rispetto ai metodi preventivi. Grazie alle sue applicazioni per aziende in molti ambiti di business, Moxoff ha ridotto del 40% il costo relativo agli interventi non necessari, mantenendo la soglia dei falsi positivi addirittura al di sotto del 10%.
Miglioramento efficienza produttiva
La manutenzione predittiva è in grado di aumentare l’efficienza dei processi di produzione in quanto:
- consentono di massimizzare i tempi di attività delle linee di produzione, arrivando ad evitare del tutto i downt
- ottimizzano l’allocazione delle risorse disponibili
- facilitano l’innovazione e la resilienza generale
Prolungamento vita utile degli asset
Grazie ai dati ottenuti dai sistemi IIoT e analizzati mediante tecniche di machine learning, i responsabili dei sistemi possono:
- Evitare guasti e fenomeni logoranti, aumentando la vita media degli asset di produzione
- Incrementare la durata e il livello di affidabilità delle attrezzature
- Migliorare progressivamente la vita media degli asset implementati in futuro
Le sfide della manutenzione predittiva
Per dare concretezza ad una serie di vantaggi facilmente intuibili, occorre tuttavia considerare una serie di criticità che intervengono durante l’adozione di un processo di manutenzione predittiva, per elaborazione una strategia di implementazione fattibile dal punto di vista tecnologico ed economico.
Alta complessità tecnologica
I sistemi per il rilevamento e l’analisi dei dati degli impianti richiedono tecnologie e competenze di non semplice implementazione, che spesso, prima di andare in produzione, necessitano di progetti pilota che si affiancano alle operazioni sui sistemi esistenti.
Investimento iniziale
La manutenzione predittiva richiede ingenti investimenti nell’ambito dei sistemi IoT e dei software di analytics, oltre alle competenze necessarie per sfruttarli appieno. Per quanto stiamo assistendo ad una fase di notevole democratizzazione, si tratta di un processo non ancora alla portata economica di tutte le aziende, anche se una volta implementato in modo corretto consente indubbiamente notevoli risparmi.
Raccolta e analisi dei dati
Le procedure di raccolta sul campo e la successiva analisi dei dati non sono di semplice implementazione e richiedono una profonda cultura data-driven, oltre a sistemi di gestione e competenze tecniche / organizzative non semplici da internalizzare in un momento in cui la domanda supera nettamente la disponibilità.
Integrazione con sistemi esistenti
Molti impianti non recenti sono tuttora funzionali ma dispongono di sistemi di gestione OT non compatibili con le attuali tecnologie digitali. L’impossibilità di integrare direttamente i sistemi esistenti è tuttavia risolvibile facendo ricorso a gateway IoT, come fotocamere, termocamere o microfoni che consentono di trasmettere i dati in streaming.
Manutenzione predittiva e manutenzione preventiva
La manutenzione preventiva (o programmata) ha costituito a lungo il metodo più diffuso prima del successo della manutenzione predittiva. Esistono delle differenze sostanziali, in quanto la manutenzione preventiva consiste nel programmare intervalli di intervento sui sistemi, in genere basati sul tempo o su un parametro di utilizzo.
Tali valutazioni non tengono conto dello stato in tempo reale delle macchine, come avviene nel caso della manutenzione predittiva, ma cercano di anticipare i fermi di produzione sulla base dei dati storici relativi ai tempi di guasto di un determinato sistema.
La manutenzione preventiva presenta due limiti sostanziali: implica più interventi di quelli strettamente necessari e, non avendo una visibilità in tempo reale sullo stato di funzionamento, non assicura che non possa verificarsi un downtime tra gli interventi programmati.
Nella manutenzione preventiva vengono fissati intervalli di intervento regolari basati sul tempo o sull’utilizzo massimo di un macchinario dopo il quale in passato si sono osservati problemi. Questo garantisce in linea di principio di evitare fermi inattesi ma espone al rischio di effettuare più manutenzioni di quanto strettamente necessario aumentando i costi.
Manutenzione preventiva:
- Si basa su esperienza di guasti passati
- Viene eseguita sulla base di un calendario predeterminato
- Interviene prima degli eventi di guasto
Manutenzione predittiva:
- Si basa sulla raccolta e sull’analisi degli effettivi dati di funzionamento
- Viene eseguita soltanto quando necessario
- Interviene se si presentano anomalie sintomatiche di un possibile guasto
Le tecnologie chiave della manutenzione predittiva
La manutenzione predittiva è abilitata dalle tecnologie alla base del funzionamento dei cosiddetti sistemi smart, intelligenti e interconnessi.
Sensori IIoT
Grazie alle architetture edge e cloud, i sensori IIoT (Industrial Internet of Things) installati sui sistemi riescono a scambiare i dati con i sistemi di gestione, che rendono i dati stessi disponibili ai tool di analisi predittiva. Una rete IIoT è pertanto decisiva per il monitoraggio dei sistemi e viene sfruttata anche per implementare l’automazione e l’integrazione tra OT e IT.
Analisi predittiva e big data
Cosa, quando, perché, e quante probabilità abbiamo che si verifichi un guasto? I big data analytics consentono di dare una risposta oggettiva a queste domande, grazie alla capacità di gestire grandi numeriche di dati acquisiti dai sensori sul campo.
Intelligenza artificiale e machine learning
Gli algoritmi di machine learning migliorano il loro apprendimento nel tempo, grazie alla continua elaborazione dei dati di esercizio. Questo approccio consente di rendere sempre più accurate ed efficaci le previsioni analitiche.
Software (digital twin)
Grazie ai digital twin è possibile esplorare e simulare tutti i possibili scenari operativi, senza operare direttamente sul gemello fisico prima di aver acquisito tutte le certezze necessarie. Grazie agli indizi dei sistemi di analisi predittiva, il digital twin può risultare utile a simulare le possibili strategie di intervento, valutando la miglior alternativa.
Le applicazioni della manutenzione predittiva
La manutenzione predittiva è ormai un punto di riferimento in molti settori di attività, tra cui l’industria manifatturiera, il settore energetico, i trasporti e la logistica.
Industria manifatturiera
La manutenzione predittiva è sempre più diffusa nel contesto della produzione industriale. Sulla base delle logiche del manufacturing 4.0, Moxoff sviluppa sistemi capaci di prevedere le anomalie dei sistemi di fabbrica, riducendo i downtime non programmati fino al 70% rispetto ai metodi tradizionali, aumentando al tempo stesso la produttività, migliorando la gestione dell’approvvigionamento in magazzino, nel contesto di una generale riduzione dei costi.
Settore energetico
La manutenzione predittiva costituisce un autentico game changer per il mantenimento e la gestione delle reti per la distribuzione dell’energia. Un esempio di eccellenza è costituito da applicazioni come quella che Moxoff ha sviluppato per monitorare in tempo reale lo stato di salute dei cavi per il trasporto dell’energia, rilevando automaticamente qualsiasi possibile anomalia, prima che si verifichi una rottura accidentale.
Trasporti e logistica
I big data hanno rideterminato il modo con cui le aziende strutturano i loro processi logistici, a cominciare dalla gestione dei magazzini, sempre più sicuri ed efficienti grazie ai sistemi di manutenzione predittiva, che consentono oltretutto di ottenere significativi risparmi rispetto ai processi tradizionali. I moderni centri logistici sono infatti fortemente automatizzati e robotizzati e le reti IoT consentono ai tool di manutenzione predittiva di mantenerli costantemente efficienti.
Le soluzioni di manutenzione predittiva
Il fulcro della manutenzione predittiva è caratterizzato dal rilevamento delle anomalie (anomaly detection), un sistema basato su algoritmi di identificazione automatica in grado di gestire l’enorme flusso di dati acquisiti dai sensori IoT, analizzarlo e segnalare le possibili anomalie ai team di manutenzione e controllo della qualità.
Lo sviluppo di un algoritmo di manutenzione predittiva è un’operazione complessa, che si basa su una serie di molteplici fattori:
- La root cause analysis (RCA), l’analisi delle cause primarie di possibili guasti e anomalie
- L’analisi dei dati real-time (vibrazioni, pressione, temperatura, tensione, rumore) e dei dati storici (downtime, strategie, interventi di riparazione precedenti), per determinare metriche utili a prevedere la vita utile residua degli asset
- Competenze in materia di analisi, simulazione multifisica, modellistica matematica, data science
- Gestione di fonti di dati eterogenee, per garantire un elevato livello di data quality per le applicazioni di advanced analytics impiegate per le attività produttive.
Moxoff ha sviluppato nel tempo una profonda esperienza nelle applicazioni per la manutenzione predittiva, che consentono alle aziende operanti in vari settori industriali di incrementare la vita dei loro asset di produzione, di evitare i fermi macchina non programmati e di ridurre contestualmente anche quelli programmati, superando definitivamente gli storici limiti imposti dalla manutenzione preventiva.
