La manutenzione predittiva diventa un fattore cruciale nel contesto di Industria 4.0, in cui sono protagonisti automazione, IoT, machine learning (ML) e intelligenza artificiale (AI).
La predictive maintenance si ritaglia, infatti, un ruolo di primo piano per rendere resiliente l’infrastruttura fisica dell’azienda nell’era della digital transformation e dei big data. Ecco con quali strumenti e in quali modalità.
Cosa significa manutenzione predittiva
La predictive maintenance rappresenta una metodologia d’intervento, per mantenere apparecchiature, computer, macchinari industriali nelle condizioni di funzionamento ottimali, evitando le avarie e soprattutto il fermo macchina e dunque l’interruzione di produzione nella smart factory.
Si riferisce all’uso di metodi di conservazione proattivi e data-driven, ideali per analizzare le condizioni (condition monitoring) delle attrezzature e predire il momento giusto in cui effettuare la manutenzione.
La manutenzione predittiva è dunque più vantaggiosa rispetto ad altre strategie di conservazione dell’infrastruttura fisica dell’azienda, perché serve per eliminare i guasti, e non solo per riparare a guasto avvenuto (come nella manutenzione correttiva o reattiva) o a fare manutenzione di routine su base temporale o dell’intensità d’uso (manutenzione preventiva o programmata).
Inoltre, è una metodologia smart perché sfrutta strumenti di data science e machine learning, che la rendono anche più efficace e produttiva rispetto alla manutenzione correttiva o programmata.
Come funziona la manutenzione predittiva
Attrezzature industriali, computer, IoT e macchinari costituiscono gli asset fisici che servono a gestire la produzione e l’attività di business.
Essi richiedono interventi di manutenzione costante, al fine di conservare al meglio il loro funzionamento ed eliminare eventuali avarie.
La manutenzione predittiva nasce, infatti, dall’adozione della trasformazione digitale in azienda e dall’elevata disponibilità di big data che fotografano lo stato degli asset fisici.
La manutenzione predittiva funziona:
- usando sensori e applicazioni Internet of Things (IoT);
- strumenti di big data analytics (per analizzare una grande quantità di dati resi disponibili attraverso i dispositivi IoT, e sapere quando è il momento giusto di operare osservando gli insight ottenuti dai dati);
- integrare nei macchinari i sensori e collegarli in rete, per consentire il monitoraggio continuo dello stato di funzionamento;
- la raccolta dei dati permette di elaborare modelli predittivi in grado di migliorare la strategia di manutenzione;
- implementazione di tecnologie di machine learning e AI.
Dunque, la manutenzione predittiva consente di segnalare programmi e modelli ideali che non richiedono cambiamenti oppure l’urgenza di prevenire un’avaria. Infine, il modello può consentire lo slittamento di un intervento costoso, soprattutto se le apparecchiature sottoposte a monitoraggio non hanno reale bisogno.
I vantaggi della manutenzione predittiva
La manutenzione predittiva sfrutta strumenti e tecniche di monitoraggio delle condizioni per:
- controllare le performance dell’attrezzatura nel corso del normale funzionamento;
- scoprire e tracciare eventuali anomalie, individuandole con lo scopo di risolvere le falle prima che generino guasti;
- evitare downtime imprevisti che bloccano la produzione, causando un impatto significativo sul business;
- operare nel momento giusto, una volta svolto l’approvvigionamento, quando sono disponibili i pezzi di ricambio e il personale addetto a intervenire;
- ottimizzare lo stato di funzionamento;
- pianificare allo scopo di evitare che il personale lavori sotto stress e corra rischi sul fronte della sicurezza sul lavoro (safety).
Gli svantaggi della manutenzione preventiva
La manutenzione programmata o preventiva funziona:
- programmando i fermi macchina in tempi convenienti per la produzione;
- pianificando accuratamente il reperimento dei pezzi di ricambio necessari e del personale richiesto.
Tuttavia, la pianificazione non ottimizzata, ha lo svantaggio di richiedere una frequenza troppo alta o troppo bassa, rispetto alle esigenze reali delle attrezzature.
Machine learning e big data per la manutenzione predittiva
La predictive maintenance sfrutta il machine learning per definire l’attuale condizione del sistema e per prevenire gli stati futuri.
Per implementare la predictive maintenance servono le seguenti componenti:
- raccolta dati e pre-processing;
- rilevamento dei guasti;
- previsione time-to-failure;
- programmazione;
- ottimizzazione delle risorse.
Infatti, più i sensori acquisiscono i dati e più gli algoritmi di ML apprendono su storia e condizioni dei macchinari industriali. Dunque, più il machine learning apprende, più diventano efficaci le metodologie di manutenzione mediante le tecnologie di machine learning e AI implementati. Il miglioramento diventa continuo grazie al ML.
Dunque, la predictive maintenance è una metodologia determinante per migliorare la produttività e per produrre in condizioni ottimali nell’approccio just-in-time.
Infine, gli esperti di intelligenza artificiale possono realizzare algoritmi sofisticati e mirati per individuare problemi su componenti specifiche, offrendo così tutti i dati che servono per la loro risoluzione.
Esempi di aziende che utilizzano la manutenzione predittiva
Da una ricerca di Impeccable Market Research, emerge che il mercato della manutenzione predittiva ha raggiunto quota 2.387,6 milioni di dollari nel 2021, ma salirà a 18.551 milioni di dollari nel 2026, registrando un tasso di crescita del 29,8% (CAGR nel quinquennio).
Inoltre, secondo un report, a firma di A. T. Kearney in Industry Week, la manutenzione predittiva che abbina dispositivi IoT con le tecnologie di machine learning e AI e la Big data analytics avanzata, genera:
- 28,3% di incremento della produttività della manutenzione;
- 20,1% di riduzione del tempo di inattività delle attrezzature;
- 19,4% di taglio dei costi dei materiali;
- 17,8% di calo della manutenzione d’inventario e riparazioni;
- 14,5 mesi di tempo di recupero dell’investimento
Esempi di manutenzione predittiva:
- ferrovie;
- settore estrattivo (petrolio e gas);
- manufacturing.
Il caso PhotonStar Technology
Un esempio di azienda che usa la predictive maintenance è PhotonStar Technology, designer britannico del settore dell’illuminazione e di edilizia intelligenti, sviluppa sistemi che raccolgono dati su impianti e attrezzature:
- controlla l’uso di energia e l’occupazione degli edifici;
- analizza le informazioni sul cloud;
- via dashboard esegue il tracciamento dell’efficienza;
- attraverso i piani di manutenzione predittiva, monitora da remoto lo stato in tempo reale.
Esempio nell’automotive
Un produttore automobilistico nipponico abbina IoT al comportamento dei processi di saldatura. Per individuare i fattori causali di avarie e difetti, bisogna identificare gli elementi predittivi dei malfunzionamenti delle apparecchiature. Perciò l’azienda usa un sistema di predictive maintenance che:
- offre una previsione del 90% dei guasti senza falsi positivi;
- prevede il 50% dei guasti con oltre 2 ore di anticipo;
- risparmia 1,5 ore per ogni guasto grazie alla manutenzione predittiva.11
