Il settore manifatturiero odierno richiede così elevati standard di efficienza, produttività e qualità che un guasto ad un macchinario di produzione non può più considerarsi una evenienza imprevedibile. Tutto ciò rende necessaria l’adozione di pratiche che consentano di ridurre al minimo l’insorgenza di guasti e la riduzione dei tempi di fermo macchina. In tale contesto, uno degli impatti più importanti della rivoluzione industriale 4.0 è stato sicuramente l’avvento della manutenzione predittiva.
Il ruolo della manutenzione predittiva
Questa rappresenta infatti un processo fondamentale per garantire l’efficienza ed uno standard elevato di sicurezza nei processi di produzione e non solo. Si stima che l’impatto della manutenzione rappresenta un totale dal 15 al 60% dei costi totali di esercizio di tutta la produzione (Haarman, Mulders et al. 2017). Inoltre in alcuni settori, come ad esempio in quello dei trasporti, il livello di sicurezza ed efficienza è collegato direttamente anche alla sicurezza degli utenti del servizio, in questo caso i viaggiatori.
Manifattura 4.0, piano con l’ottimismo: alle aziende mancano competenze e innovazione
I dati raccolti dai molteplici sensori nei processi dell’Industria 4.0 (in Italia supportati dal Piano Transizione 4.0) offrono nuove opportunità per soluzioni di previsione della vita residua di un asset strategico, quali un impianto o un macchinario. Tra gli approcci innovativi, il più interessante è rappresentato dalla manutenzione predittiva, la quale trae vantaggio dai progressi notevoli nella sensoristica avanzata e nell’IoT (Internet of Things) che consente di monitorare in tempo reale parametri critici in termini di variabili fisiche misurate collegate al funzionamento di un apparato, di un processo o di un macchinario. In generale possiamo classificare quattro principali approcci alla manutenzione.
Manutenzione 4.0, gli approcci
L’approccio minimale alla manutenzione è costituito dalla cosiddetta Manutenzione Reattiva, nota anche come manutenzione correttiva o manutenzione non pianificata. È la più semplice tra le tecniche di manutenzione che viene eseguita solo quando la macchina presenta già un guasto. Può portare a tempi di fermo delle apparecchiature elevati e un alto rischio di guasti secondari e quindi creare un numero molto elevato di prodotti difettosi o ad un rallentamento della produzione.
L’approccio più classico e fin ad ora più diffuso alla manutenzione è la Manutenzione Programmata. In questo caso la manutenzione viene eseguita periodicamente sulla base di un programma pianificato al fine di anticipare i guasti, tipicamente sulla base di un criterio cronologico o di percorrenza con interventi specifici di revisione delle componenti di un apparato o di un macchinario. L’esempio più classico è il tagliando di un autoveicolo, dove si interviene con la sostituzione di parti soggetti ad usura o degradazione, quali l’olio motore, il filtro dell’aria o le pasticche dei freni, eseguito sulla base di un calendario programmato che dipende dal tempo trascorso o dai chilometri percorsi dall’ultimo tagliando. Questo tipo di manutenzione può però portare in generale a sostituzioni di parti non necessarie che aumentano i costi operativi e inoltre non è in grado di monitorare e soprattutto di prevedere l’insorgenza di guasti al di fuori dell’intervallo di osservazione programmato.
Esistono oggi due altre tecniche avanzate di manutenzione che possono fare uso dei dati disponibili dai sensori presenti a bordo macchina, la manutenzione su condizione e la manutenzione predittiva. La Manutenzione su condizione (CBM Condition-Based Maintenance) si basa su un monitoraggio costante di macchine o apparecchiature o del loro stato di salute attraverso una rete di sensori presenti sulla macchina. Le azioni di manutenzione possono essere intraprese dopo che una o più condizioni di degrado siano rese evidenti dall’alterazione dei parametri monitorati.
Infine, la Manutenzione Predittiva (PdM PreDictive Maintenance) si basa sul monitoraggio continuo del processo o della macchina, facendo uso di strumenti di previsione basati su modelli o metodi di apprendimento automatico, fattori di integrità (come aspetti visivi, colorazione diversa dall’originale, usura), approcci di inferenza statistica e tecniche di ingegneria. Questo consente di misurare quando si renderanno necessarie le azioni di manutenzione, quindi in questo caso la manutenzione può essere programmata anticipatamente. Inoltre, consente il rilevamento dei guasti in una fase iniziale sulla base dei dati storici e di anticipare quindi l’insorgenza della condizione di guasto.
Come funziona la manutenzione predittiva
Ciò richiede che i diversi macchinari o i processi siano interconnessi e dotati di una rete di sensori avanzati in grado di monitorare i parametri critici e trasmetterli in cloud ad un sistema di “data analytics”. Il sistema di “data analytics” basandosi su modelli di calcolo, quale il digital twin, ovvero la replica digitale della macchina o del processo, che in presenza di grandi quantità di dati può fare uso di algoritmi di machine learning e di Intelligenza Artificiale, è in grado di generare predizioni sempre più affidabili sul rischio di insorgenza di eventuali guasti.
Questa informazione elaborata dagli algoritmi predittivi integrata con le procedure di manutenzione consente di programmare in modo anticipato gli interventi correttivi necessari per prevenire l’insorgenza di un guasto. I modelli predittivi sono in genere modelli basati sui dati che richiedono una varietà di flussi di dati forniti da più origini sia in tempo reale sia offline. Il cuore del sistema della PdM è proprio il sistema cyberfisico (cyberphysical system), ovvero l’unione del modello fisico della macchina con il suo gemello digitale.
Il mercato della manutenzione predittiva
Il mercato della manutenzione predittiva è in continua espansione e consolidamento. Se nel 2016, il mercato globale della manutenzione predittiva (hardware, software e servizi) era stato valutato 1,5 miliardi di dollari, notevolmente inferiore rispetto al mercato della manutenzione su condizione, nel 2021 IOT Analytics stima che il mercato della manutenzione predittiva sia di 6.9 milioni di dollari [1], con un incremento guidato proprio dai progressi nelle tecnologie trainanti di sensoristica avanzata, data science ed AI.
Se fino ad ora infatti il paradigma di manutenzione dominante era la manutenzione programmata piuttosto che predittiva e basato sulle condizioni effettive delle apparecchiature, oggi è in corso sempre più la virata verso l’adozione di tecniche di manutenzione predittiva. Anche il numero di operatori in grado di offrire o sviluppare soluzioni di manutenzione predittiva è cresciuto notevolmente, con i principali operatori industriali in grado di offrire nuove soluzioni ad hoc.
Esempi aziendali
Ad esempio ABB con l’acquisizione recente di Cassantec mette a disposizione una piattaforma in grado di effettuare una prognostica molto potente, in grado di prevedere fino al 99% dei malfunzionamenti di macchinari, mentre Cisco ha messo a punto architetture di AI e machine learning specifiche in grado di supportare le attività di manutenzione predittiva. In Italia tra le aziende che operano in infrastrutture e che hanno condotto esperienze significative, possiamo ricordare l’esperienza di Trenitalia [2] che ha avviato il progetto Dynamic Maintenance Management System per una manutenzione dinamica dei treni, attraverso il combinato di IOT e data.
Quando conviene applicate la manutenzione predittiva
Valutare il ROI di un investimento in manutenzione predittiva dipende chiaramente dal processo produttivo in questione. Oltre alla riduzione dei guasti imprevisti e dei tempi di fermo macchina, va anche tenuto in conto l’aumento della qualità della produzione, della sicurezza die lavoratori nonché una miglioramento generale della produttività, per cui il beneficio introdotto dall’adozione di politiche di manutenzione predittiva può essere sostanzialmente molto alto.
Prima di applicare il PdM, è necessario considerare quanto sia critico il processo nel contesto del suo funzionamento. Ad esempio, se il fermo macchina o di un processo produttivo non ha alcun impatto sul funzionamento dell’impianto, una strategia può essere quella di farlo funzionare fino al guasto e ripararlo quando si verifica il guasto. Parte del processo produttivo può essere critica. In questo caso, un guasto potrebbe comportare un impatto significativo sul funzionamento dell’impianto. In tal caso, le aziende dovrebbero prendere in considerazione l’utilizzo di modelli predittivi in grado di fornire un’indicazione precoce di qualsiasi potenziale anomalia. Un approccio alternativo è quello di utilizzare apparecchiature ridondanti che funzionano in caso di guasto dell’hardware principale, consentendo di mantenere le operazioni in esecuzione mentre si ripristina l’unità problematica. In questo caso si riduce la criticità eliminando il “single point of failure” (Dalzochio, Kunst et al. 2020).
Bibliografia
Çınar, Z. M., A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael and B. J. S. Safaei (2020). “Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0.” 12(19): 8211.
Dalzochio, J., R. Kunst, E. Pignaton, A. Binotto, S. Sanyal, J. Favilla and J. J. C. i. I. Barbosa (2020). “Machine learning and reasoning for predictive maintenance in Industry 4.0: Current status and challenges.” 123: 103298.
Haarman, M., M. Mulders, C. J. P. Vassiliadis and Mainnovation (2017). “Predictive maintenance 4.0: predict the unpredictable.”
Zonta, T., C. A. da Costa, R. da Rosa Righi, M. J. de Lima, E. S. da Trindade, G. P. J. C. Li and I. Engineering (2020). “Predictive maintenance in the Industry 4.0: A systematic literature review.” 106889.
