MANUTENZIONE PREDITTIVA, COME FUNZIONA E COSA SERVE PER ATTUARLA

Oggi la manutenzione predittiva è una soluzione sempre più considerata e adottata in tutte quelle realtà industriali che hanno l’obiettivo di applicare una strategia di manutenzione efficace per massimizzare la vita utile delle attrezzature e contenere i costi degli interventi. Nel settore manufacturing, ad esempio, indica un rapporto del Nist (National institute of standards and technology), i costi di manutenzione possono oscillare tra il 15 e il 70% del costo dei beni prodotti.

Cos’è la manutenzione predittiva

La manutenzione predittiva, o predictive maintenance, si basa sulla capacità di prevedere quando un’attrezzatura, impianto, macchinario, apparato, potrà subire un guasto, prima che il guasto stesso possa verificarsi. Questa capacità previsionale è ottenibile tramite l’acquisizione, il monitoraggio e l’analisi dei dati utili a comprendere lo stato di funzionamento dell’attrezzatura in questione: tali dati possono includere la rilevazione di parametri come temperatura, pressione, vibrazioni, rumore generato.

Sapere in anticipo quando e dove un’avaria potrà verificarsi permette di pianificare con efficacia gli interventi di manutenzione, risolvendo il problema prima che il guasto si manifesti, e produca vari effetti negativi: nel caso di impianti di manufacturing, questi possono includere rallentamenti, blocchi delle linee di produzione; nel caso invece, ad esempio, degli apparati e infrastrutture che supportano sistemi di telecomunicazioni, le avarie possono causare vari tipi di disservizi per gli utenti finali.

Manutenzione predittiva, le basi del funzionamento

Grazie al fatto di basarsi sull’analisi dei dati, la manutenzione predittiva presenta benefici rispetto ad altre strategie di manutenzione, come la manutenzione preventiva, che fa affidamento su un programma di interventi programmati rigidamente in maniera ciclica, o la manutenzione reattiva, che viene effettuata soltanto quando l’attrezzatura o l’apparato si guastano e si bloccano.

Per analizzare i dati, però, la soluzione di manutenzione predittiva necessita di due componenti tecnologici chiave:

1. da un lato, deve esistere una componente infrastrutturale hardware, fondamentalmente costituita da sensori, oggetti IoT (Internet of Things) o IIoT (Industrial IoT) intelligenti, connessi su apparati, impianti, attrezzature. Sensori e dispositivi in grado di interoperare e comunicare con il cloud tramite reti wired e wireless.

2. Dall’altro lato, ci dev’essere una potente piattaforma software di raccolta ed elaborazione dati, capace di sfruttare tutti i più evoluti strumenti e metodi predittivi, comprese tecnologie come intelligenza artificiale (AI) e machine learning (ML).

Benefici e sfide della manutenzione predittiva

La necessità d’incrementare il tempo di attività degli asset e minimizzare i costi di manutenzione, assieme all’esigenza di estendere la vita utile dei macchinari industriali, e all’adozione del paradigma IoT, sono, secondo la società di ricerca e consulenza Allied Market Research, i maggiori fattori di sviluppo del mercato globale della manutenzione predittiva: quest’ultimo, dal valore stimato di oltre 4 miliardi di dollari del 2019, è infatti previsto espandersi, per raggiungere quasi 32 miliardi di dollari entro il 2027, registrando un CAGR pari al 28,8% nel periodo di studio considerato (2020-2027). Tuttavia, indica lo studio, i problemi di implementazione delle soluzioni e le preoccupazioni per la sicurezza dei dati ostacolano la crescita del comparto.

Competenze di data science, l’ingrediente chiave

Tralasciando la disamina delle competenze richieste per realizzare l’infrastruttura fisica, sensori e reti, indispensabile per la comunicazione dati, la fase in genere più difficoltosa di un progetto di manutenzione predittiva riguarda l’implementazione del sistema di analisi ed elaborazione dei dati stessi. A questo livello, infatti, servono competenze molto variegate e approfondite nell’universo delle conoscenze di data science.

Certamente importante, nella fase iniziale, è la capacità di mappare e selezionare tutti gli asset che rivestono un’importanza critica per il business dell’organizzazione, e su cui dovrà essere focalizzata l’attività di monitoraggio. Immediatamente dopo, occorre l’abilità di identificare e selezionare tutte le fonti dati potenzialmente utili a ottimizzare gli algoritmi di manutenzione predittiva che verranno sviluppati. A questo livello, le difficoltà principali riguardano l’abilità di reperire dati in quantità sufficiente, ma soprattutto dati di qualità; una fase in cui è fondamentale poter contare su competenze specifiche nelle tecniche di preparazione dei dati e nell’uso degli strumenti di AI e ML, utili per automatizzare e accelerare processi come matching, deduplica, normalizzazione.

Sono poi richieste competenze approfondite di modellistica matematica per la progettazione dell’algoritmo di manutenzione predittiva. Quest’ultimo deve considerare sia l’acquisizione dei dati in tempo reale provenienti dai sensori, sia dei dati storici, per arrivare a identificare eventuali anomalie e malfunzionamenti degli asset, e le possibili cause che possono averli generati.