La domanda che stabilisce se ha senso
La manutenzione predittiva è il caso d’uso industriale dell’IA più citato nelle presentazioni dei costruttori di impianti e negli eventi sull’Industria 4.0. È anche uno di quelli più spesso sopravvalutati.
La domanda di partenza non è se l’IA possa prevedere i guasti: a certe condizioni può farlo. La domanda è se il costo dei guasti non pianificati sia abbastanza alto da giustificare l’infrastruttura di sensori, dati e modelli che la manutenzione predittiva richiede, e se lo stabilimento abbia le condizioni tecniche perché il modello funzioni con una precisione sufficiente.
Il primo passo è calcolare il costo reale di un fermo non pianificato sulla linea più critica: produzione persa, costo della riparazione d’urgenza, penali per il mancato rispetto delle consegne, impatto sulle fasi produttive a valle. Questo valore, moltiplicato per la frequenza con cui si verifica, definisce il valore del problema.
Valutazione dell’opportunità
La manutenzione predittiva è particolarmente adatta agli impianti con queste caratteristiche: guasti con conseguenze economiche elevate (costo di fermo alto o rischio per la sicurezza), schemi di degrado con segnali premonitori rilevabili tramite sensori e uno storico di guasti sufficiente per addestrare il modello.
È meno adatta agli impianti che si guastano all’improvviso senza segnali premonitori (guasti catastrofici istantanei), a quelli in cui la manutenzione preventiva costa meno del sistema predittivo e agli impianti con una frequenza di guasto così bassa che il modello non dispone di abbastanza esempi della classe positiva.
Requisiti dei dati
Dati dei sensori in tempo reale. Temperatura, vibrazione, pressione, corrente elettrica, acustica: le variabili rilevanti dipendono dal tipo di impianto. I sensori devono essere installati prima di poter raccogliere i dati di addestramento; per gli impianti privi di strumentazione, quindi, c’è una fase di acquisizione dei dati che precede lo sviluppo del modello.
Storico dei guasti etichettato. È il requisito più difficile da soddisfare. Per addestrare un modello che preveda i guasti serve uno storico degli eventi di guasto con le letture dei sensori che li hanno preceduti. Se i registri di manutenzione non hanno marcature temporali affidabili, non specificano la causa del guasto o il sistema di gestione della manutenzione (CMMS) non è aggiornato, costruire questo storico è un progetto a sé.
Un numero sufficiente di guasti. I guasti sono eventi rari. Se una macchina si guasta due volte l’anno, due anni di dati forniscono quattro eventi etichettati: troppo pochi per addestrare un modello con un buon potere discriminante. La manutenzione predittiva con l’IA richiede un numero minimo di guasti nello storico, che varia in base al tipo di guasto e alla complessità del modello.
Qualità e continuità dei dati dei sensori. I sensori si starano, si guastano o smettono di trasmettere. Le lacune nelle serie temporali e i valori anomali dovuti ai sensori (diversi dalle anomalie di processo) complicano notevolmente la pre-elaborazione.
Struttura dei costi e complessità
Il costo più visibile è la strumentazione: installazione di sensori sugli impianti che ne sono privi, rete di comunicazione industriale (OPC-UA, MQTT), infrastruttura di archiviazione delle serie temporali. Negli stabilimenti senza una base IoT, questo investimento può essere il più alto del progetto.
Il modello predittivo richiede competenze specialistiche sulle serie temporali industriali: costruzione delle finestre temporali, estrazione di caratteristiche nel dominio della frequenza (ad esempio la FFT per le vibrazioni), calibrazione della soglia di allerta per bilanciare falsi positivi e falsi negativi.
I costi ricorrenti comprendono la manutenzione del sistema di sensori, il riaddestramento del modello quando si sostituiscono componenti principali (lo schema di degrado cambia) e la gestione operativa del sistema di allerta.
Valutazione dei rischi
Rischio di dati insufficienti. È il rischio più frequente. Lo stabilimento ha i sensori, ma non uno storico dei guasti etichettato, oppure lo storico è troppo breve. Il progetto richiede allora un periodo di acquisizione dei dati prima di poter sviluppare il modello.
Rischio di falsi positivi. Un modello con molti falsi allarmi genera sfiducia nel personale di manutenzione: se il sistema segnala guasti che non si verificano, i tecnici smettono di intervenire sulle allerte. Calibrare la soglia per ridurre al minimo i falsi positivi senza perdere capacità di rilevamento è una delle sfide tecniche più importanti.
Rischio di resistenza del personale di manutenzione. I tecnici con anni di esperienza sanno riconoscere quando una macchina «suona male» o «si comporta in modo strano». Se il sistema predittivo entra in conflitto con questo giudizio, o se i tecnici non capiscono perché il modello emette un’allerta, l’adozione può essere scarsa. La spiegabilità del modello (perché sta segnalando proprio ora) è un fattore critico di adozione.
Indicatori di successo
- Riduzione dei fermi non pianificati (numero e durata) rispetto al periodo precedente
- MTBF (mean time between failures) degli impianti monitorati
- Tasso di rilevamento anticipato: % di guasti che il modello rileva prima che si verifichino
- Anticipo medio dell’allerta rispetto al guasto
- Tasso di falsi positivi: allerte che non corrispondono a un guasto reale
- Rapporto tra manutenzione pianificata e non pianificata prima e dopo
Come genera ROI
Le leve di valore sono: la riduzione del costo dei fermi non pianificati (produzione persa, riparazioni d’urgenza, straordinari), l’allungamento della vita utile dei componenti grazie a interventi nel momento ottimale (né troppo presto né troppo tardi) e la riduzione delle scorte di ricambi di emergenza, perché il fabbisogno viene anticipato.
La manutenzione predittiva può giustificarsi anche con la riduzione del rischio per la sicurezza: negli impianti in cui un guasto può mettere a rischio le persone, il valore della prevenzione comprende il costo evitato di un incidente, difficile da quantificare ma reale.
Domande frequenti
La manutenzione predittiva si può applicare senza sensori in tempo reale? In alcuni casi i dati di processo già disponibili nello SCADA o nello storico del PLC contengono segnali sufficienti. Per impianti poco complessi, anche i dati di consumo elettrico possono anticipare il degrado. La fattibilità senza nuovi sensori dipende dal tipo di impianto e dal tipo di guasto da prevedere.
Che differenza c’è tra manutenzione predittiva e manutenzione su condizione? La manutenzione su condizione usa soglie fisse dei parametri di processo per attivare gli interventi (se la temperatura supera X, si controlla). La manutenzione predittiva con il machine learning apprende gli schemi di degrado multivariati che precedono il guasto ed emette allerte prima che scattino le soglie classiche. Il vantaggio del machine learning è che coglie le interazioni tra variabili che le singole soglie non rilevano.