Il Condition-based Monitoring (CbM), cioè il processo di monitoraggio dello “stato di salute” di impianti e macchinari che vengono dotati di sensoristica per permettere l’invio in tempo reale – cioè mentre i macchinari sono in funzione – di informazioni sul loro funzionamento, consente di allertare in tempo reale il personale di manutenzione e gli operatori, in modo da intervenire tempestivamente prevenendo il più possibile fermi. Inoltre, è un fattore abilitante per la manutenzione predittiva (predictive maintenance o PdM), una tecnica di manutenzione basata sul monitoraggio delle condizioni dei macchinari, combinato ad algoritmi previsionali, che permette di stimare il tempo residuo prima di un fermo.
Il CbM si applica a una varietà di casistiche industriali: nel settore energetico, ad esempio, a turbine, trasformatori, linee di trasmissione, generatori; in quello Oil&Gas a tubature, pompe, valvole; nell’industria mineraria e dei metalli a carrelli da miniera, trivelle, e nastri trasportatori; nel settore chimico a serbatoi di stoccaggio, dispositivi elettromeccanici…
Obiettivi della manutenzione predittiva
L’impiego delle tecniche di manutenzione predittiva introduce numerosi vantaggi: l’incremento dell’uptime e quindi del coefficiente di produttività, la riduzione dei rischi, la sostituzione dei soli componenti prossimi a guastarsi.
Non trascurabile è inoltre l’impatto sulle tecniche “just in time” grazie a una stima più accurata delle tempistiche di riordino dei componenti.
Con le tecniche di data analytics diventa possibile identificare i “pattern” relativi a problemi ricorrenti: ad esempio, un guasto che avviene con frequenza o ciclicità regolare sottintende un qualche genere di criticità: se a rompersi fosse sempre il medesimo cuscinetto, si potrebbe ad esempio individuare un sovraccarico a livello del motore che lo utilizza.
Una migliore manutenzione predittiva riduce in media i costi di manutenzione dal 10 al 15%[1], corrispondenti principalmente a downtime dell’impianto: tramite la raccolta dei dati è possibile prevedere le tempistiche relative agli interventi di manutenzione così da minimizzarne l’impatto sull’indice di produttività generale, rendendo possibile allestire per tempo linee parallele e adottare “contingency plans”.
La manutenzione predittiva è possibile anche in scenari cosiddetti “brownfield”: un termine che indica siti produttivi dove macchinari nuovi convivono con altri più datati i quali, tramite opportuni “retrofit”, diventano comunque “visibili” all’interno delle piattaforme gestionali.
Un mercato in forte crescita (nonostante la pandemia)
Prima della battuta d’arresto causata dalla crisi sanitaria globale, il mercato della manutenzione predittiva era in fortissima espansione, e anche oggi il potenziale rimane intatto: secondo i dati di IoT Analytics Research – precedenti allo scoppio della pandemia – il mercato della PdM era destinato a crescere da 3,3 miliardi di dollari nel 2018 fino a 23,5 miliardi di dollari nel 2024. A prescindere dal rispetto di queste tempistiche, le potenzialità rimangono evidenti, con un fattore di crescita elevato.
Cronologia dell’evoluzione della manutenzione industriale
La manutenzione predittiva rappresenta, sotto molti aspetti, l’evoluzione in ambito Industry 4.0 di un processo che esiste da quando esistono le fabbriche. All’inizio, l’ispezione dei macchinari era puramente visiva e operata da personale specializzato che, grazie alla propria esperienza costruita in anni, possedeva una capacità specifica nell’identificazione di problemi.
Il passo successivo è stata l’introduzione della strumentazione di misura: un manometro applicato a un punto di un macchinario idraulico fornisce un valore che deve solo essere interpretato da colui che effettua l’ispezione. Quando il progresso tecnologico ha consentito alle macchine di comunicare i dati in tempo reale (IoT), il ruolo di analisi è passato a figure più complesse.
L’industry 4.0 rappresenta un’ulteriore evoluzione di questo modello: il processo è completamente digitalizzato e paperless, e dai dati è possibile ricavare automaticamente dei pattern.
Case history: la manutenzione preventiva applicata ai carrelli elevatori e alle gru
Un’azienda leader globale nei carrelli elevatori e nelle soluzioni di movimentazione automatizzata degli asset ha scelto di introdurre soluzioni di manutenzione predittiva: la sfida era sfruttare la connettività wireless per consentire ai carrelli elevatori di comunicare con il centro diagnostico del produttore.
La soluzione implementata è basata su connettività M2M e sensoristica.
Gli algoritmi di manutenzione predittiva stimano la vita utile rimanente, i tempi di riparazione dei guasti e la causa più probabile del problema. In questo modo, l’azienda è stata in grado di ottimizzare i processi di intervento.
In un secondo caso, un’azienda leader mondiale nelle gru fisse e mobili, presente in 26 paesi del mondo, ha varato un progetto globale per un’unica piattaforma di reportistica per tutti i fornitori e i clienti: su ogni gru sono stati installati sensori che tracciano direzione e velocità del vento; questi dati – ovunque nel mondo si trovi la gru – vengono inviati agli headquarter e se emergono rischi la gru viene messa in posizione di “parcheggio” per impedirne una caduta accidentale.
Il ruolo del 5G nella manutenzione predittiva
Nel caso di un’azienda leader nelle soluzioni per l’automazione industriale, con operazioni in oltre 100 paesi e oltre 135.000 dipendenti, la sfida da affrontare consisteva sia nel miglioramento della programmazione delle attività di manutenzione che nell’introduzione del supporto da remoto. La soluzione prevede l’impiego di robot che consentono di visitare una fabbrica da remoto e l’utilizzo di tecniche di realtà aumentata che consentono ai lavoratori, tramite occhiali connessi e specifici tablet, di operare in modo più efficiente riducendo fino all’80% i tempi improduttivi.
Fondamentale è stata l’implementazione di una rete privata 5G che ha permesso di prioritizzare, per ogni singola applicazione, parametri quali la latenza o la banda utilizzata.
Note
- *McKinsey & Company-Coronavirus: Industrial IoT in challenging times ↑
