La manutenzione predittiva è uno dei casi d’uso dell’IA con il ritorno meglio documentato nell’industria. I progetti ben condotti, in settori come l’industria pesante, l’energia o l’alimentare, mostrano miglioramenti costanti nella disponibilità degli impianti, nella riduzione dei fermi non pianificati e nell’estensione della vita utile degli asset critici. Perché questi risultati siano utili, però, serve contesto.
A quali tipi di aziende e di impianti si applicano? Quali condizioni devono verificarsi perché funzioni? E che cosa succede quando le condizioni non sono ideali?
Che cos’è esattamente la manutenzione predittiva
La manutenzione predittiva usa i dati dei sensori (vibrazioni, temperatura, consumo elettrico, pressione, rumore) per individuare gli schemi che precedono i guasti delle apparecchiature industriali. L’obiettivo è anticipare il guasto con un margine sufficiente a programmare un intervento pianificato, evitando sia il fermo non pianificato (molto costoso) sia la sostituzione dei componenti prima che sia necessaria (la classica manutenzione preventiva).
La differenza rispetto alla manutenzione preventiva tradizionale è importante: invece di sostituire i componenti ogni X ore di funzionamento a prescindere dal loro stato, il sistema predittivo li sostituisce quando i dati indicano che il loro deterioramento lo giustifica. Ciò ottimizza l’uso dei componenti e riduce gli interventi superflui.
Quando ha senso applicarla
La manutenzione predittiva non ha senso per tutti gli impianti né per tutte le aziende. Le condizioni che la rendono fattibile sono le seguenti.
Impianti critici con un costo del guasto elevato. L’impatto economico del fermo (produzione persa, semilavorati compromessi, costo della riparazione d’urgenza) deve giustificare l’investimento nel sistema predittivo. Se il costo di un fermo non pianificato è basso, per quell’impianto il conto economico della manutenzione predittiva è più difficile da far quadrare. Per la maggior parte degli asset critici nell’industria, il bilancio è favorevole.
Guasti progressivi, non istantanei. La manutenzione predittiva funziona quando il guasto è preceduto da un periodo di deterioramento rilevabile. Cuscinetti, ingranaggi, motori elettrici e compressori presentano segnali premonitori rilevabili settimane prima del guasto. I guasti catastrofici istantanei, come una rottura improvvisa o un cortocircuito, sono meno prevedibili con questo approccio.
Possibilità di dotare l’impianto di sensori. Se l’impianto non ha sensori o non è possibile installarli, mancano i dati su cui costruire il modello. Le apparecchiature moderne hanno di solito sensori integrati; quelle più datate possono esserne dotate, con un costo aggiuntivo.
Il percorso reale: dai sensori al modello in produzione
Fase 1: strumentazione e raccolta dei dati. Se l’impianto ha già sensori collegati a un sistema di supervisione (SCADA, PLC), i dati possono già esistere. In caso contrario occorre installare sensori e un sistema di raccolta dati. Negli stabilimenti industriali più datati questa può essere la fase più costosa e lunga.
Fase 2: accumulo dello storico. Un modello di manutenzione predittiva ha bisogno di dati storici che comprendano sia il comportamento normale dell’impianto sia eventi di guasto o di manutenzione. Se esistono registrazioni storiche dei guasti e dei dati dei sensori nel periodo precedente, si può partire prima. In caso contrario, occorre accumulare dati per mesi prima di poter addestrare un modello utile.
Fase 3: sviluppo del modello. Gli algoritmi più usati nella manutenzione predittiva sono i modelli per serie temporali (per individuare tendenze di degrado), i modelli di classificazione (per stabilire se l’impianto è in stato normale o di deterioramento) e gli autoencoder (per rilevare anomalie senza bisogno di molti esempi di guasto etichettati). La scelta dell’algoritmo dipende dal tipo di guasto da rilevare e dai dati disponibili.
Fase 4: integrazione con il processo di manutenzione. Il modello non genera valore se le sue previsioni non arrivano ai tecnici di manutenzione in una forma utilizzabile. L’integrazione con il sistema di gestione degli ordini di lavoro (CMMS), in modo che una previsione generi automaticamente un ordine di verifica, è ciò che chiude il ciclo del valore.
Che cosa aspettarsi da un progetto ben condotto
I progetti di manutenzione predittiva ben condotti generano ritorni positivi documentati nell’industria. Il ritorno reale dipende dal costo dei fermi evitati, dal costo della manutenzione correttiva eliminata e dall’estensione della vita utile degli impianti: variabili che ogni azienda può calcolare con i propri dati prima di impegnare l’investimento.
Alcune condizioni valgono sempre: il modello ha bisogno di un periodo di messa a punto e taratura prima di operare in piena affidabilità; i tecnici di manutenzione hanno bisogno di tempo per verificare le raccomandazioni del sistema e acquisire fiducia; il sistema va mantenuto e riaddestrato quando cambiano gli impianti o i processi.
I progetti che non raggiungono i ritorni attesi presentano di solito uno di questi problemi: dati dei sensori troppo rumorosi o lacunosi, storico dei guasti insufficiente, mancata integrazione con il processo di manutenzione o mancata adozione da parte del team.
Il punto di vista del tecnico di manutenzione
Un aspetto spesso sottovalutato nei progetti di manutenzione predittiva è il punto di vista del team di manutenzione. I tecnici esperti hanno l’intuito per capire quando una macchina «suona diversa» o «vibra più del solito». Un sistema predittivo che conferma ciò che loro già intuivano conquista rapidamente fiducia. Un sistema che genera molti falsi allarmi, prevedendo guasti che non si verificano, la erode.
L’equilibrio tra sensibilità (rilevare i guasti reali) e specificità (non generare falsi allarmi) è una delle scelte progettuali più importanti in questi progetti, e la soluzione più adatta dipende dal costo relativo di un guasto non rilevato rispetto a un intervento superfluo.
Domande frequenti
È necessario sostituire tutti i sensori esistenti con sensori IoT avanzati? Non necessariamente. Molti impianti industriali dispongono già di sensori di temperatura, vibrazione e consumo collegati a PLC o sistemi SCADA. Il primo passo è valutare se i dati già raccolti sono sufficienti per costruire un modello utile. La strumentazione aggiuntiva si installa dove esistono lacune critiche.
Quanto tempo serve perché il sistema funzioni correttamente? Il periodo di taratura iniziale, in cui il sistema apprende il comportamento normale dell’impianto e regola le soglie di allarme, dipende dalla frequenza degli eventi e dallo stato iniziale dei dati. In questa fase gli allarmi vanno verificati attivamente con il team di manutenzione, per ridurre i falsi positivi e costruire la fiducia nel sistema.
Il sistema predittivo sostituisce il tecnico di manutenzione? No. Il sistema fornisce informazioni aggiuntive che migliorano le decisioni del tecnico. L’intervento fisico, la diagnosi sul campo e la decisione finale su quando e come intervenire restano un lavoro umano. I progetti più riusciti sono quelli in cui sistema e tecnico lavorano in squadra.