Quando si parla di Industria 4.0 è largamente riconosciuto il ruolo che tecnologie come l’industrial Internet of things, intelligenza artificiale e machine learning possono giocare nella modernizzazione degli ambienti di produzione. Ma nonostante questo lo sviluppo dell’IioT è ancora nella fase iniziale in molte aziende, e il solco tra le tecnologie più avanzate e quelle effettivamente adottate dalle imprese è ancora abbastanza profondo. E’ una delle principali evidenze che emergono dallo studio “Future of IioT predictive maintenance” appena pubblicato dalla Emory University, basato su una serie di interviste a professionisti del settore sulle loro realtà di riferimento.
Dalla ricerca emerge il fatto che negli ultimi due anni la ricerca ha fatto passi da gigante nel campo dei cognitive analytics applicati alla manutenzione predittiva, mentre le basi di industria 4.0 e quindi della digitalizzazione della produzione sono state adottate da gran parte del senior management del settore su scala internazionale. Uno sivluppo che ha portato ad allargarsi inesorabilmente il divario tra le potenzialità della tecnologia e la realtà vissuta all’interno della fabbrica, dove non si registrano grandi accelerazioni nell’adottare pratiche di manutenzione diverse da quelle sviluppate e successivamente adottate tra gli anni 70 e gli anni 80. A dimostrarlo c’è il fatto, recita la ricerca, che lo strumento più diffuso per gli analytics sia ancora Microsoft excel.
Ma quali sono gli elementi che frenano la diffusione delle nuove tecnologie per la manutenzione dei macchinari? In testa, secondo lo studio di Emory University, ci sono i dubbi sull’applicabilità delle soluzioni ai vari ambienti di produzione, e la scarsa disponibilità di risorse per l’implementazione dei nuovi metodi. Gli addetti ai lavori considerano il product data management 4.0 generalmente con favore, secondo i sirultati della ricerca, ma rimangono ancora in attesa di nuovi sviluppi prima di apportare cambiamenti ai sistemi e ai processi produttivi attualmente implementati.
Ecco alcuni dei principali risultati dello studio:
La predictive maintenance? Utile, ma ancora nella fase iniziale
La fase attuale del settore può essere considerato come l’inizio dello sviluppo. Le prospettive sono giudicate interessanti dagli addetti ai lavori, ma i sistemi non sono ancora considerati “maturi”. In fabbrica si preferisce ancora affidarsi a criteri analogici e più tradizionali, come il monitoraggio delle vibrazioni, l’analisi degli oli residui, la rappresentazione termica per immagini. Di pari passo i modelli statistici che prevedono l’utilizzo di excel non sono ancora stati sostituiti da soluzioni più avanzate.
Cinque anni di tempo per “studiare”
Secondo gli addetti ai lavori intervistati dai ricercatori soluzioni come la rilevazione automatica dei guasti e la programmazione automatizzata delle riparazioni saranno adottate nei prossimi anni, mentre le aspettative per lo sviluppo di sistemi come le riparazioni tramite robot o droni, e le ispezioni affidate ad automi hanno per il momento un’applicabilità limitata. Lo stesso concetto del “digital twin”, il gemello digitale, non è molto diffuse e non si prevede che viva fasi di grande crescita nell’arco dei prossimi cinque anni.
Strategie ancora carenti
Tra i più disillusi rispetto a un rapido sviluppo della manutenzione predittiva 4.0 ci sono proprio gli addetti all’O&M (Observation and measurement), che spesso sono più cauti rispetto al senior management aziendale. Le cause di questo ritardo vengono individuate in un generale “carenza di strategie”, che causa l’accumulo di ritardi nell’effettiva implementazione di nuove soluzioni. Prospettiva che si ribalta se si adotta però una viusione a lungo termine: in questo caso gli addetti ai lavori sono generalmente concordi sul fatto che il ritorno economico abilitato dalle nuove tecnologie di manutenzione predittiva possa giustificare gli investimenti necessari per l’implementazione dei nuovi sistemi.
La carenza di competenze
Tra le ragioni principali che rallentano l’adozione si soluzioni per la manutenzione predittiva il campione identifica la mancanza di competenze specifiche, in primis la carenza di Big data scientists: anche la complessità dei software e dell’accesso ai dati prodotti dai sensori passa in secondo piano rispetto allo shortage di skill specifiche nel campo degli analytics.
Ma il futuro è rosa
Nonostante queste piccole e grandi barriere, però, gli intervistati evidenziano una visione positiva, soprattutto per i miglioramenti possibili nel campo dell’efficienza operativa e per i vantaggi che deriveranno dall’analisi i tempo reale delle informazioni trasmesse dai macchinari. Rimane in sottofondo, però, la preoccupazione sul cambiamento che la rivoluzione digitale porterà nell’organizzazione del lavoro dei professionisti dell’O&M.
