- Pubblicato il 23 nov 2023
- Ultima modifica 23 nov 2023
- 4 min
Manutenzione predittiva: il modo intelligente per evitare interruzioni
I periodi di crisi economica aumentano la pressione sugli ingegneri di manutenzione affinché garantiscano un funzionamento continuo degli asset e evitino interruzioni. Tuttavia, un approccio predittivo, basato sull'analisi dei dati provenienti dal monitoraggio delle condizioni dei macchinari, consente di incrementare il livello di efficienza disponendo la manutenzione quando è realmente necessaria.
In passato, la manutenzione era spesso solo una risposta ai guasti delle macchine. Oggi, pochi piani di manutenzione si basano semplicemente sulla reazione ai guasti, anche se ciò ha comunque una sua utilità in alcune circostanze straordinarie.
Appare comunque evidente che ora, con le nuove tecnologie a nostra disposizione, e con la necessità di fare di più con sempre meno risorse, si può convenientemente monitorare i propri asset per comprendere quando sia il caso di fare manutenzione, trovando un buon equilibrio tra manutenzione reattiva e predittiva.
Spesso, infatti, si pensa che la manutenzione reattiva non sia più appropriata in ambito organizzativo, definitivamente superata da quella predittiva. In realtà, per gli elementi meno critici, il funzionamento dei macchinari fino al momento del guasto potrebbe ancora essere un'opzione. Anche la manutenzione preventiva rimane una pratica comune: è il caso in cui gli asset vengono resi oggetto di manutenzione in base alle ore di funzionamento o a un'altra metrica di tempo più appropriata, a seconda del modo in cui vengono fruiti.
Anche quando si segue un programma, gli ingegneri di manutenzione tendono sempre a formulare giudizi personali su quando intervenire in base al monitoraggio fisico delle macchine a loro cura. Tuttavia, le cose sono destinate a cambiare: almeno per gli asset critici, infatti, è essenziale un tipo di monitoraggio basato sulle condizioni effettive del macchinario attraverso l’uso di dispositivi digitali che possano monitorare le condizioni dei componenti chiave all'interno di un asset, osservando come si comporta l’asset nella vita reale.
La misurazione dei livelli di vibrazione, ad esempio, può dare un avviso precoce di un guasto dei componenti, costituendo così una metrica di valutazione molto più valida ed efficace rispetto alle tecniche più classe di manutenzione preventiva e, evidentemente, l’approccio esclusivamente reattivo.
Come migliorare l’efficacia della manutenzione
Una volta consolidate le migliori abitudini della manutenzione reattiva e preventiva, il passo successivo consiste nel passare alla manutenzione predittiva basata sull'analisi dei dati di monitoraggio delle condizioni mediante sofisticati algoritmi di intelligenza artificiale, che costruiscono un quadro completo dell'intera fabbrica e di tutte le macchine al suo interno in tempo reale.
Sebbene il monitoraggio delle condizioni possa avvisare di un imminente guasto dei componenti, la manutenzione predittiva consente di sapere quando è necessario sostituire i componenti, con un interessante passo in avanti in termini di efficienza.
A livello pratico, l'analisi effettuata dall’intelligenza artificiale potrebbe mostrare che alcuni asset possono funzionare tranquillamente oltre l'intervallo di servizio consigliato. E, avendo una visione in tempo reale delle loro prestazioni, il tema di ingegneria della manutenzione potrà essere avvisato di un'imminente rottura.
Con il passare del tempo, l'immagine che il sistema digitale costruisce permetterà al team di engineering di pianificare la manutenzione in base alle effettive prestazioni dei propri asset, contribuendo a evitare guasti e dando l'opportunità di programmare i tempi di inattività in modo meno disruptivo per la produzione.
La tecnologia può apparire nuova, ma in realtà l'idea di mantenere gli asset quando ne hanno bisogno, basandosi su osservazioni operative, non lo è di certo.
Il concetto di analizzare i risultati delle proprie azioni e utilizzarli per influenzare positivamente le azioni future non è di fatti un’innovazione assoluta: ciò che però è cambiato rispetto al passato nella manutenzione è il riconoscimento che i dati possono impattare sulla strategia di manutenzione. Se si comprendono le modalità di guasto, la teoria del guasto e gli indicatori principali di guasto, allora si può iniziare a utilizzare tale comprensione per condurre la propria strategia di manutenzione in modo strutturato.
Un fattore chiave è stato poi la riduzione del costo della tecnologia utilizzata per estrarre ed analizzare i dati, rispetto al passato: non si ha infatti più bisogno di esseri umani per raccogliere e interpretare tali informazioni, poiché possiamo permettere alla tecnologia digitale di farlo al posto del personale. Non è invece cambiata la necessità di creare una cultura in cui si ottenga un vero valore dai dati. Bisogna infatti comunque far sì che le persone rispondano a quei dati e valorizzino l'ingegnere che lavora in un ambiente tranquillo perché sotto controllo, più dell’ingegnere che si precipita a riparare le cose che si sono già rotte.
Addestrare l'algoritmo AI
In questo scenario, non è difficile pensare al fatto che gli algoritmi di intelligenza artificiale possono essere addestrati per riconoscere una linea di produzione efficiente in modo da sapere quando qualcosa sta andando storto.
L'Industria 4.0 e l’Internet of Things hanno rivoluzionato ciò che facciamo. L'accesso ai dati attraverso il Cloud apre una serie di opportunità ed è un vero game changer. Se si dispongono di molti dati affidabili, è dunque possibile educare gli algoritmi di apprendimento automatico per capire come dovrebbe essere il funzionamento corretto, e predisporre di conseguenza delle azioni.
Questi strumenti evidenziano quanto abbiamo progredito nell'ingegneria della manutenzione: mentre una volta un ingegnere doveva stare accanto alla macchina per controllarne le prestazioni, oggi non è necessario essere nella stessa posizione, e nemmeno nello stesso Paese.
Tuttavia sarebbe ancora sempre preferibile - sebbene non sia necessario essere in fabbrica per monitorare le operazioni - essere in grado di rispondere prontamente agli avvisi. D’altronde, è ben possibile disporre di un asset che al mattino funzionava correttamente, ma che nel pomeriggio inizia a comportarsi in modo diverso. A quel punto, è utile esaminare i dati e vedere cosa è cambiato: una rilevazione precoce consente di reagire prima che si verifichi un guasto.
Ciò rammentato, è evidente che l'analisi dei dati è fondamentale per una manutenzione preventiva efficace. Tuttavia, solamente l'1% dei dati prodotti dal monitoraggio delle condizioni viene effettivamente analizzato da strumenti predittivi basati sull'IA.
Si tratta di un fenomeno facilmente osservabile. Purtroppo, però, ci sono ancora aziende che raccolgono grandi volumi di dati, anche con un apprendimento automatico piuttosto complesso, ma senza effettuare interventi basati su ciò che vedono. Non notano differenze nei risultati alla fine dell'anno e diventano sempre più inefficienti proprio perché non hanno pensato come agire per influenzare le prestazioni.
Di contro, le aziende che hanno introdotto la manutenzione predittiva hanno registrato una significativa riduzione dei tempi di inattività, anche fino al 50%, con risparmi che si traducono in milioni di euro.
Il potere della manutenzione predittiva
Insomma, tutto lascia intendere che la manutenzione predittiva trasformerà l'ingegneria della manutenzione: pone di fatti un rilevante potere nelle mani del team di engineering, che potrà garantire che impianti e macchinari funzionino efficientemente in ogni momento.
Sottolinea inoltre l'importanza strategica degli ingegneri di manutenzione per il successo di tutta l'organizzazione, ponendo così in un ruolo sempre più centrale il relativo team MRO.
