Cos’è la manutenzione predittiva?

Raccogliendo dati dai sensori e applicando strumenti e processi analitici avanzati come il machine learning (ML), la manutenzione predittiva può identificare, rilevare e indirizzare i problemi via via che si presentano, oltre a prevedere lo stato potenziale futuro dell'attrezzatura, riducendo così il rischio. La chiave è fornire le informazioni giuste al momento giusto alle persone giuste.

Le strategie di manutenzione e la maturità dipendono da fattori quali il costo dell'asset e della sostituzione, la criticità dell'asset, i modelli di utilizzo e l'impatto del guasto su sicurezza, ambiente, operazioni, finanza e immagine pubblica. La manutenzione predittiva è una delle tre principali strategie di manutenzione utilizzate dalle aziende. Le altre sono la manutenzione reattiva, che corregge i guasti quando si verificano, e la manutenzione preventiva, che si basa su un programma di manutenzione predefinito per identificare i guasti.

Poiché la manutenzione predittiva è proattiva, migliora la manutenzione preventiva fornendo insight continui sulle condizioni effettive delle attrezzature, piuttosto che affidarsi alle condizioni previste dell'attrezzatura in base a dati di riferimento storici. Con la manutenzione predittiva, la manutenzione correttiva viene eseguita solo quando è necessario, evitando così di incorrere in inutili costi di manutenzione e tempi di inattività della macchina.

La manutenzione predittiva utilizza serie temporali, dati storici e dei guasti per prevedere lo stato potenziale futuro delle apparecchiature e quindi anticipare i problemi in anticipo. In questo modo le aziende possono ottimizzare la pianificazione della manutenzione e migliorare l'affidabilità.

La manutenzione predittiva si differenzia anche dalla manutenzione preventiva nella diversità e nella portata dei dati in tempo reale utilizzati nel monitoraggio dell'attrezzatura. Varie tecniche di monitoraggio delle condizioni, come il suono (acustica ad ultrasuoni), la temperatura (termica), la lubrificazione (olio, fluidi) e l'analisi delle vibrazioni, possono identificare anomalie e fornire avvisi anticipati di potenziali problemi. Un aumento della temperatura in un componente, ad esempio, potrebbe indicare un blocco del flusso d'aria o un'usura. Vibrazioni insolite potrebbero indicare un disallineamento delle parti in movimento. I cambiamenti nel suono possono fornire avvisi precoci di difetti che l'orecchio umano non può rilevare.

La manutenzione predittiva si affida a varie tecnologie, tra cui Internet of Things (IoT), analytics predittiva e intelligenza artificiale (AI). I sensori collegati raccolgono dati da asset quali macchinari e attrezzature. Questi vengono raccolti all'edge o nel cloud in un sistema di gestione degli asset aziendali (EAM) abilitato per l'AI o in un sistema di gestione della manutenzione computerizzata (CMMS). L'AI e il machine learning vengono utilizzati per analizzare i dati in tempo reale per creare un quadro delle condizioni attuali dell'attrezzatura. Successivamente,viene attivato un avviso se viene identificato un potenziale difetto e lo consegna al team di manutenzione.

Oltre a fornire avvisi di difetti, i progressi negli algoritmi di apprendimento automatico consentono alle soluzioni di manutenzione predittiva di fare previsioni sulle condizioni future delle attrezzature. Queste possono essere utilizzate per aumentare l'efficienza dei workflow e dei processi legati alla manutenzione, come la programmazione degli ordini di lavoro just-in-time e le supply chains di manodopera e ricambi. Inoltre, più dati vengono raccolti, più insight vengono generati e migliori diventano le previsioni. In questo modo le aziende possono avere la certezza che le attrezzature funzionino in modo ottimale.

I benefici di una strategia di manutenzione predittiva si concentrano sull'anticipazione di guasti e malfunzionamenti delle attrezzature, sulla riduzione dei costi di manutenzione e operativi, ottimizzando tempi e risorse, e sul miglioramento delle prestazioni e dell'affidabilità delle attrezzature. Deloitte ha riferito nel 2022 che la manutenzione predittiva può portare a una riduzione di 5-15% del tempo di inattività della struttura e a un aumento di 5-20% della produttività del lavoro.¹

L'ottimizzazione delle prestazioni degli asset e dei tempi di attività può ridurre i costi. La segnalazione anticipata di potenziali errori si tradurrà in un minor numero di guasti e in una riduzione della manutenzione programmata o dei tempi di inattività non pianificati. Una maggiore visibilità continua delle condizioni migliorerà l'affidabilità e la durata dell'attrezzatura. L’uso dell'AI può prevedere in modo più accurato le operazioni future. Quest'ultimo beneficio è fondamentale in un mondo in cui l'aumento dei prezzi e gli eventi imprevedibili, come la pandemia e i disastri naturali legati al clima, hanno evidenziato la necessità di avere scorte di inventario e costi di manodopera più prevedibili e di ridurre l'impatto ambientale delle operazioni.

La produttività può essere aumentata riducendo le operazioni di manutenzione inefficienti, consentendo una risposta più rapida ai problemi tramite workflow intelligenti e automazione e fornendo a tecnici, data scientist e dipendenti lungo la catena del valore dati migliori con cui prendere decisioni. Il risultato? Metriche migliorate come il tempo medio tra i guasti (MTBF) e il tempo medio di riparazione (MTTR), condizioni di lavoro più sicure per i dipendenti e guadagni in termini di entrate e redditività.

Esistono barriere alla manutenzione predittiva che possono essere costose, almeno in prima istanza.

• Infrastruttura di sistema: i costi di avvio associati alla complessità della strategia sono elevati. Spesso comportano l’aggiornamento e l’integrazione di tecnologie e sistemi di monitoraggio obsoleti, nonché investimenti in strumenti di manutenzione e gestione dei dati e nell’infrastruttura di dati e sistemi.
• Formazione della forza lavoro: formare la forza lavoro a utilizzare i nuovi strumenti e processi e a interpretare correttamente i dati può essere costoso e richiedere molto tempo.
• Requisiti dei dati: il passato è un predittore delle prestazioni future. Affinché la manutenzione predittiva sia efficace, la disponibilità di volumi consistenti di dati storici e di errori (o proxy) di serie temporali è fondamentale. Anche la capacità di esaminare le correlazioni e le analogie dei dati con tipi di apparecchiature simili in condizioni operative fisiche è essenziale e può inoltre contribuire a migliorare la natura predittiva dell'analisi.

Anche la valutazione della criticità e del costo del fallimento di singoli asset richiede tempo e denaro. Tuttavia, è fondamentale per determinare se la manutenzione predittiva sia adeguata, poiché gli asset a basso costo, con componenti economici e facilmente reperibili, potrebbero essere gestiti meglio con altre strategie di manutenzione. I programmi di manutenzione predittiva sono complessi, ma i vantaggi competitivi e finanziari di una strategia ben eseguita sono significativi.

Le tecnologie di manutenzione predittiva sono già adottate in tutti i settori per molti asset: bancomat, turbine eoliche, scambiatori di calore o robot di produzione. I settori ad alta intensità di asset come l'energia, l'industria manifatturiera, le telecomunicazioni e i trasporti, dove i guasti imprevisti all'attrezzatura possono avere conseguenze diffuse, si rivolgono sempre più alle tecnologie avanzate per migliorare l'affidabilità dell'attrezzatura e la produttività della forza lavoro. I potenziali usi sono molti e vari:

L'invenzione della tecnica di manutenzione predittiva è attribuita da molti a CH Waddington, durante la Seconda Guerra Mondiale. Waddington notò che la manutenzione preventiva programmata sembrava causare guasti non pianificati ai bombardieri.² Questa osservazione portò alla nascita e allo sviluppo della manutenzione basata sulle condizioni, ma poiché la maggior parte dei sistemi aziendali è storicamente basata su silos, l’adozione della manutenzione predittiva è rimasta limitata.

I progressi tecnologici nei sensori IoT, nella raccolta di big data e nelle tecnologie di storage sono proseguiti e continueranno a ritmo sostenuto. La crescita dei dati e l'accessibilità di AI e ML stanno migliorando i modelli di manutenzione predittiva e ne stanno promuovendo l'adozione. Inoltre, la pandemia ha accelerato le iniziative di trasformazione digitale, creando ambienti aziendali più integrati e una maggiore richiesta di insight basati su intelligence in tempo reale. Infine, l'aumento vertiginoso dei tempi di inattività non pianificati, che secondo gli esperti ammontano a circa l'11% del fatturato delle società Fortune Global 500 ³, sta favorendo l'adozione della manutenzione predittiva anche all'interno del mercato.

Le seguenti tecnologie sono solo alcune tra quelle che contribuiscono alla continua evoluzione e al valore della manutenzione predittiva:

• L'ispezione robotica automatizzata sta rendendo il monitoraggio delle attrezzature in luoghi remoti o pericolosi da raggiungere, come nel settore petrolifero e del gas, più efficiente ed economico. I robot agiscono come sensori mobili che monitorano più asset e inseriscono i dati nei sistemi computerizzati di gestione della manutenzione.
• Tecnologie immersive come la realtà aumentata (AR) e la realtà virtuale (VR) vengono sviluppate per semplificare le ispezioni. L’AR può raccogliere dati ed entrambe le tecnologie possono migliorare le ispezioni visive e il rilevamento precoce dei guasti.
• I gemelli digitali possono potenziare la manutenzione predittiva creando la rappresentazione virtuale di un asset fisico che genera dati di sensori e simula scenari e soluzioni di guasti operativi durante tutto il ciclo di vita di un asset, senza alcun rischio.
• Le soluzioni di manutenzione predittiva abilitate all’IoT sono fornite come parte integrante delle soluzioni EAM/CMMS e integrate con altre applicazioni aziendali.
• La manutenzione predittiva as-a-service renderà la manutenzione predittiva più accessibile e conveniente. Un servizio fornito dai partner, può essere meno dirompente rispetto alle implementazioni on-premises, richiedere meno investimenti e formazione e garantire un time-to-value più rapido. Può anche essere adattato a singoli ambienti e apparecchiature.