Manutenzione predittiva, come prevenire i malfunzionamenti

Nel settore industriale e negli ambienti di fabbrica, la manutenzione predittiva, o predictive maintenance (PdM), è una moderna strategia di manutenzione degli impianti. Essa permette di prevedere quando è probabile che un macchinario, o un componente dello stesso, subirà un guasto. La manutenzione predittiva consente quindi di programmare un intervento di riparazione prima che si verifichi il malfunzionamento, ed evitare, ad esempio, un downtime imprevisto.   

Che cos’è, e come funziona, la manutenzione predittiva

Per riuscire a prevenire i malfunzionamenti, la manutenzione predittiva utilizza un’infrastruttura costituita da sensori IIoT (Industrial Internet of Things), installati sui macchinari, e da strumenti analitici e algoritmi di intelligenza artificiale e machine learning.

L’intelligenza del software elabora i dati di campo acquisiti in tempo reale dai sensori, e i dati storici dell’impianto, estraendo insight utili a individuare e gestire i rischi di inaffidabilità di determinati asset industriali: con la manutenzione predittiva si può quindi identificare quali macchinari o componenti, per problemi di usura, possono causare rallentamenti o blocchi nel normale funzionamento degli impianti. Grazie alla manutenzione predittiva, è possibile giocare d’anticipo, e programmare in maniera proattiva gli interventi di manutenzione, prevenendo le avarie. Nella manutenzione predittiva, l’intervento di riparazione viene pianificato soltanto quando l’analisi dei dati dei sensori (vibrazioni, rumore, temperatura, pressione), e dei dati storici, indica che le prestazioni stanno calando o che il malfunzionamento è probabile e imminente. 

Manutenzione predittiva, perché conviene attuarla

Il comparto delle soluzioni per la manutenzione predittiva sta espandendosi a due cifre, in ragione dei diversi benefici che le organizzazioni industriali riescono a ottenere nella gestione degli impianti. A livello globale, rispetto ai 4,45 miliardi del 2020, questo mercato, stando alle stime di una ricerca pubblicata dalla società Research and Markets, è previsto raggiungere un valore di 64,25 miliardi di dollari entro il 2030, registrando un CAGR del 31,0% nel periodo preso in esame dallo studio (2021-2030). I benefici chiave che stanno stimolando il forte sviluppo del comparto della manutenzione predittiva sono soprattutto:

1. l’aumento del tempo di funzionamento dei macchinari, quindi del tempo in cui le linee di produzione sono operative (uptime)
2. la riduzione dei costi di manutenzione e delle avarie impreviste, che causano rallentamenti o tempi di inattività delle macchine (downtime) 
3. la riduzione delle scorte di pezzi di ricambio in magazzino
4. la diminuzione dei tempi di riparazione e revisione degli impianti.

Cosa serve per implementare la manutenzione predittiva e ottimizzare gli impianti 

Nell’ideazione, sviluppo e realizzazione di un progetto di manutenzione predittiva, la creazione dell’infrastruttura IIoT destinata all’acquisizione dei dati di campo e alla comunicazione con il cloud costituisce soltanto una componente, seppur importante, dell’applicazione. 

La fase più impegnativa e sfidante del progetto riguarda, in effetti, la definizione e pianificazione degli asset da monitorare, e la selezione delle fonti da cui acquisire i dati di campo. A questa fase segue poi la successiva, fondamentale, di preparazione, gestione ed elaborazione dei dati stessi. A questo livello, l’intelligenza del software, il grado di evoluzione dei modelli e algoritmi, le tecniche d’automazione nel trattamento dei dati giocano tutti un ruolo decisivo nel creare il valore di business che giustifica l’implementazione di un dato progetto di manutenzione predittiva. Perché quest’ultima abbia successo, più che la quantità, conta la qualità dei dati selezionati, e l’efficacia degli strumenti analitici e degli algoritmi predittivi nell’indirizzare i requisiti di uno specifico caso d’uso, e rispondere a un’esigenza o a un obiettivo industriale. Tra l’altro, proprio in tema di qualità dei dati, in ambito industriale spesso si ha a che fare con macchinari sensorizzati dal fornitore stesso. Soprattutto in questi casi, servono dunque solide competenze tecniche nella complessa fase di  omogeneizzazione e fusione dei dati generati da fonti diverse e tecnologie eterogenee. 

Manutenzione predittiva: come sviluppare i modelli previsionali

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. Ecco, di seguito, alcune caratteristiche importanti per un algoritmo di manutenzione predittiva.

1. Essere in grado di monitorare nel tempo, tramite sensori, i componenti chiave di un macchinario, per individuare, attraverso l’analisi dei dati, possibili anomalie di funzionamento, e aiutare a comprendere che cosa può aver portato al verificarsi di determinati guasti. In altre parole, l’algoritmo serve essenzialmente come strumento per le attività di ‘root cause analysis’ (RCA), ossia per l’analisi delle cause primarie che hanno prodotto un malfunzionamento o un’avaria;  
2. Affiancare l’analisi dei dati real-time (vibrazioni, pressione, temperatura, tensione, rumore) a quella dei dati storici (downtime, strategie, interventi di riparazione precedenti), per identificare metriche, KPI (key performance indicator) e indicatori di condizione che aiutino ad eseguire stime accurate del deterioramento dell’asset industriale, e a calcolare la sua vita utile residua (RUL – remaining useful life), applicando modelli e analisi di regressione; 
3. Includere conoscenze specializzate di analisi, simulazione multifisica, modellistica matematica, data science, necessarie per comprendere le dinamiche di funzionamento del sistema;
4. Saper gestire fonti dati eterogenee e complesse, implementando logiche di pulizia e analisi dei dati stessi. Operazioni per le quali, tra l’altro, oggi è possibile sfruttare tecnologie di automazione ed elaborazione dati basate su machine learning. 

Poter essere ottimizzato di continuo, tramite, ad esempio, la messa a punto di nuovi sensori, fonti di dati, modelli. L’algoritmo deve essere capace di imparare di continuo dai dati, grazie alla tecnologia di apprendimento automatico.

Contattaci per ricevere ulteriori informazioni