Manutenzione predittiva: il modo intelligente per evitare interruzioni

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.

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.

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.