Manutenzione preventiva a confronto con manutenzione predittiva

La tua strategia di manutenzione potrebbe non essere la prima cosa che ti viene in mente quando pensi al bilancio. Tuttavia, dato che macchinari, attrezzature e sistemi fanno funzionare le aziende, le strategie di manutenzione hanno un ruolo importante da svolgere. Senza la dovuta cura e attenzione, le cose si rompono, indipendentemente dal fatto che si tratti di un trasformatore in una rete elettrica, di un cuscinetto d'asse su un treno o di un frigorifero in un ristorante.

Quando gli asset non funzionano o non funzionano in modo ottimale, possono esserci problemi di sicurezza e implicazioni finanziarie: secondo quanto riferito, il produttore medio perde circa 800 ore all'anno in tempi di inattività. A questo si aggiungono infrastrutture invecchiate, fidelizzazione della forza lavoro, vincoli di bilancio e pressioni sulla sostenibilità, ed è facile capire perché le aziende debbano trovare modi sempre migliori per mantenere gli asset in buone condizioni operative.

Comprendere e pianificare quando è probabile che le tue attrezzature si guastino può aumentare l'efficienza delle operazioni di produzione, ma come fai a decidere quale strategia è la più conveniente per te? La decisione non è semplice. È necessario considerare diversi fattori, come il tuo settore, il tipo e l'utilizzo dell'asset, il costo della sostituzione, la quantità del giusto tipo di dati a tua disposizione e l'impatto che un fallimento avrebbe sulla tua attività e sui tuoi clienti. Non esiste una soluzione valida per tutti e la maggior parte delle aziende opta per una combinazione di diverse strategie di manutenzione nel proprio portfolio di asset.

Le strategie di manutenzione reattiva, preventiva e predittiva sono le strategie di manutenzione più comunemente usate. La manutenzione reattiva (chiamata anche manutenzione correttiva) è esattamente questo: reagire ai guasti quando si verificano. È adatta per asset non critici a basso costo che non comportano rischi operativi o di sicurezza se viene implementata una strategia run-to-failure.

La manutenzione preventiva e predittiva sono strategie di manutenzione proattiva che utilizzano connettività e dati per aiutare ingegneri e pianificatori a risolvere i problemi prima che si aggravino. Le strategie predittive vanno ancora oltre e utilizzano tecniche di dati avanzate per prevedere quando è probabile che le cose vadano male in futuro. Entrambe le strategie mirano a ridurre il rischio di problemi catastrofici o costosi.

Diamo un'occhiata più approfondita a questi approcci proattivi.

La manutenzione preventiva utilizza piani di manutenzione regolari per ridurre le possibilità di guasto di un asset eseguendo attività di manutenzione ordinaria a intervalli regolari. Utilizzando best practice e medie storiche, come il tempo medio tra i guasti (MTBF), viene pianificato il tempo di inattività. Le strategie di manutenzione preventiva esistono dal 1900 circa e sono ampiamente utilizzate dalla fine degli anni '50.

Sono stati sviluppati tre principali tipi di manutenzione preventiva che comportano tutti l'esecuzione della manutenzione su base regolare, ma sono programmati in modo diverso e sono adattati ai diversi scopi delle operazioni aziendali.

• I programmi di manutenzione preventiva basati sull'utilizzo basano la manutenzione e le ispezioni future sull'utilizzo degli asset, come cambiare le gomme dell'auto dopo 50.000 miglia.
• La manutenzione preventiva basata sul calendario o sul tempo stabilisce intervalli di tempo specifici per la manutenzione, ad esempio la manutenzione annuale della caldaia domestica.
• La manutenzione basata sulle condizioni crea programmi basati su fattori come l'usura e il degrado degli asset.

In tutti i tipi di manutenzione preventiva, il tempo di inattività della macchina è pianificato in anticipo e i tecnici utilizzano le liste di controllo per controlli, riparazioni, pulizia, regolazioni, sostituzioni e altre attività di manutenzione.

La manutenzione predittiva si fonda sul monitoraggio basato sulle condizioni valutando continuamente le condizioni di un asset. I sensori raccolgono dati in tempo reale e li immettono nei sistemi di gestione degli asset (EAM) abilitati per l'AI, nei sistemi di gestione della manutenzione (CMMS) e in altri software di manutenzione. Attraverso questi tipi di software, strumenti e processi avanzati di analisi dei dati come il machine learning (ML) possono identificare, rilevare e affrontare i problemi non appena si verificano. Gli algoritmi vengono utilizzati anche per creare modelli che prevedano quando potrebbero sorgere potenziali problemi futuri, il che mitiga il rischio che l'asset si guasti ulteriormente in futuro. Ciò può comportare minori costi di manutenzione, una riduzione di circa il 35-50% dei tempi di inattività e un aumento del 20-40% della durata di vita.

Diverse tecniche di condition monitoring sono utilizzate per identificare anomalie negli asset e fornire avvisi anticipati di potenziali problemi, tra cui il suono (acustica ultrasonica), la temperatura (termica), la lubrificazione (olio, fluidi), l'analisi delle vibrazioni e l'analisi del circuito del motore. Un aumento della temperatura in un componente, ad esempio, potrebbe indicare un blocco del flusso d'aria o del liquido di raffreddamento; vibrazioni insolite potrebbero indicare un disallineamento delle parti mobili o usura; i cambiamenti nel suono possono fornire avvisi precoci di difetti che non possono essere rilevati dall'orecchio umano.

I settori del petrolio e del gas sono stati pionieristici nell'adozione della manutenzione predittiva come modo per ridurre il rischio di disastri ambientali, e anche altri settori stanno vedendo sempre più il beneficio. Nei settori alimentari e delle bevande, ad esempio, problemi non rilevati nella conservazione degli alimenti potrebbero avere gravi conseguenze per la salute, mentre nel settore marittimo anticipare e prevenire guasti alle attrezzature riduce il numero di riparazioni da effettuare in mare, dove sono più difficili e costose rispetto al porto.

Entrambi i tipi di strategie di manutenzione aumentano i tempi di attività e riducono i tempi di inattività non pianificati, migliorando l'affidabilità e il ciclo di vita degli asset. Le principali differenze riguardano la tempistica e la capacità di prevedere la probabile condizione futura di un asset.

I programmi di manutenzione preventiva utilizzano dati storici per anticipare le condizioni previste di un asset e programmano in anticipo le attività di manutenzione ordinaria a intervalli regolari. Sebbene ciò sia utile per la pianificazione, gli asset potrebbero essere sottoposti a manutenzione insufficiente o eccessiva, dato che la stragrande maggioranza dei guasti degli asset è inaspettata. Un problema potrebbe essere diagnosticato troppo tardi per prevenire danni a un asset, ad esempio, il che probabilmente comporterà tempi di inattività più lunghi mentre è risolto, o potrebbero essere spesi tempo e denaro quando non ce n'è bisogno.

La manutenzione predittiva evita la manutenzione non necessaria comprendendo le condizioni effettive dell'attrezzatura. Questo significa che può segnalare e correggere i problemi prima della manutenzione preventiva e prevenire lo sviluppo di problemi più gravi.

La manutenzione predittiva utilizza le nuove tecnologie come intelligenza artificiale, machine learning e Internet of Things (IoT) per generare insight. I sistemi e i software di gestione della manutenzione creano automaticamente ordini di manutenzione correttiva, consentendo ai team di manutenzione, ai data scientist e ad altri dipendenti di prendere decisioni più intelligenti, rapide e finanziariamente solide.

I workflow di gestione dell'inventario, come le supply chain di manodopera e ricambi, diventano più efficienti e sostenibili grazie alla riduzione al minimo dell'utilizzo di energia e degli sprechi. La manutenzione predittiva può inserire i dati in altre pratiche di manutenzione basate su real-time analytics come i gemelli digitali, che possono essere utilizzati per modellare scenari e altre opzioni di manutenzione con nessun rischio per la produzione.

Ci sono ostacoli da superare affinché la manutenzione predittiva sia efficace o addirittura possibile, come complessità, formazione e dati. La manutenzione predittiva richiede un'infrastruttura di dati e sistemi moderna che può renderla costosa da configurare rispetto alla manutenzione preventiva. La formazione della forza lavoro all'utilizzo dei nuovi strumenti e processi e alla corretta interpretazione dei dati può essere costosa e richiedere molto tempo. La manutenzione predittiva si basa anche sulla raccolta di volumi sostanziali di dati specifici. Infine, l'implementazione di una strategia di manutenzione predittiva richiede un cambiamento culturale per far fronte al passaggio da operazioni quotidiane predeterminate a più flessibili, il che può essere difficile.

In sintesi, sebbene le strategie di manutenzione preventiva e di manutenzione predittiva si concentrino entrambe sull'aumento dell'affidabilità degli asset e sulla riduzione del rischio di guasti, sono molto diverse. La manutenzione preventiva è regolare e di routine, mentre la manutenzione predittiva si concentra sulla fornitura delle informazioni giuste su asset specifici al momento giusto. La manutenzione preventiva è adatta per gli asset in cui i modelli di guasto sono prevedibili (ad esempio, problemi ricorrenti o frequenti) e l'impatto dei guasti è relativamente basso, mentre la manutenzione predittiva può essere più vantaggiosa per gli asset strategici in cui i guasti sono meno prevedibili e l'impatto aziendale dei guasti è elevato. In definitiva, se le strategie di manutenzione predittiva vengono implementate e gestite con successo, si tradurranno in clienti più soddisfatti e in sostanziali risparmi sui costi grazie all'ottimizzazione della manutenzione e delle prestazioni degli asset.

La buona notizia è che IBM può aiutare. IBM Maximo Application Suite è un set di applicazioni che consente di spostare la pianificazione della manutenzione oltre i programmi temporali, verso una manutenzione predittiva basata sulle condizioni e basata su insight sullo stato di salute degli asset.

Combinando dati operativi, IoT, AI e analytics in un'unica piattaforma integrata cloud, Maximo guiderà decisioni più intelligenti e basate sui dati che migliorano l'affidabilità degli asset, allungano i cicli di vita degli asset, ottimizzano le prestazioni e riducono il tempo di inattività e i costi operativi.