Industry 4.0: la manutenzione diventa predittiva

Negli ultimi anni termini come Industry 4.0, big data, machine learning e IoT sono diventati molto comuni. Una loro applicazione concreta si trova nella manutenzione predittiva, che riduce i costi operativi e i tempi di fermo degli asset di produzione

I dati vengono raccolti mediante l’uso di sensori e tecniche di monitoraggio.
I dati vengono raccolti mediante l’uso di sensori e tecniche di monitoraggio.

Un numero crescente di aziende sta scoprendo che la pianificazione e le operazioni di manutenzione gestite in modo predittivo, in modo cioè di prevedere i guasti degli asset ed eseguire la manutenzione solo quando è assolutamente necessaria (piuttosto che eseguire la manutenzione preventiva ordinaria secondo un programma prescritto o una manutenzione correttiva dopo un asset effettivamente interrotto), permette di ridurre al minimo i tempi di inattività degli impianti e i costi complessivi.

L’intelligenza artificiale è una delle tecnologie impiegate per analizzare i dati storici.
L’intelligenza artificiale è una delle tecnologie impiegate per analizzare i dati storici.

Preventiva e predittiva? Caratteristiche e differenze

In sostanza, la manutenzione predittiva è una strategia di manutenzione che cerca di prevedere quando un componente o un’apparecchiatura potrebbe guastarsi, in modo che la manutenzione possa essere eseguita appena prima che ciò accada. Tali previsioni si basano sulle condizioni dell’apparecchiatura, che vengono valutate in base ai dati raccolti mediante l’uso di sensori e tecniche di monitoraggio delle condizioni (Condition Monitoring). Idealmente, la manutenzione predittiva consente di ridurre al minimo la frequenza di manutenzione per evitare interventi reattivi non pianificati in caso di guasto, senza tuttavia incorrere nei costi associati a un’eccessiva manutenzione preventiva, che spesso si rivela non necessaria. Infatti, mentre la manutenzione preventiva si basa soprattutto sulle medie di guasto del settore, su dati storici e sulle migliori pratiche per guidare le decisioni di manutenzione, la manutenzione predittiva tiene sotto controllo l’effettivo utilizzo di un asset per decidere quando intervenire. Quindi, la manutenzione predittiva richiede la valutazione delle condizioni effettive delle apparecchiature tramite un monitoraggio periodico o continuo (online), e può essere eseguita mentre l’apparecchiatura funziona normalmente per ridurre al minimo le interruzioni delle operazioni di produzione. Alcuni esempi di utilizzo della manutenzione predittiva tramite appositi sensori includono l’analisi delle vibrazioni di macchinari, l’analisi dell’olio motore, l’imaging termico per individuare temperature anomale e l’osservazione delle apparecchiature.

La manutenzione predittiva permette interruzioni programmate di macchinari e impianti.
La manutenzione predittiva permette interruzioni programmate di macchinari e impianti.

Quali sono i tipi di manutenzione?

Ma rivediamo brevemente i tipi principali di manutenzione. Iniziamo dalla semplice strategia di manutenzione Run-to-Failure (RTF), che consiste nell’intervenire soltanto quando il funzionamento di un componente o una macchina si interrompe. Si tratta di un tipo di manutenzione fondamentalmente reattivo, nel quale non viene eseguita alcuna operazione di manutenzione finché non si manifesta un problema che richiede un intervento. È il caso, per esempio, di una lampadina bruciata o di una guarnizione usurata che devono essere sostituite.
Abbiamo quindi la manutenzione preventiva, una strategia di manutenzione che si pone l’obiettivo di eseguire interventi di revisione, sostituzione o riparazione prima che in un componente o una macchina si manifesti il guasto. Questo tipo di manutenzione è molto comune ed è facilmente comprensibile, perché tutti la conoscono in termini di manutenzione dell’auto: cambiare l’olio ogni 15.000 chilometri oppure ogni anno. La Condition-Based Maintenance (CBM), o manutenzione secondo condizione, individua la necessità dell’azione manutentiva sulla base dello stato di salute attuale di un componente o una macchina. Essa prevede la lettura di contatori e indicatori sugli asset e l’attivazione di ordini di lavoro quando vengono raggiunti determinati valori. Lo stato di salute del componente è quindi valutato correlando una o più parametri fisici o chimici allo stato dell’asset e individuando un valore di soglia, relativamente a queste grandezze, oltre il quale o al di sotto del quale l’asset ha un’elevata probabilità di guastarsi.
Infine, la Predictive Maintenance (PdM), o manutenzione predittiva, viene eseguita tramite la misura e l’elaborazione di uno o più parametri per cercare di calcolare il tempo residuo prima del guasto. Sono disponibili allo scopo varie metodologie, come per esempio la misura delle vibrazioni, la termografia, l’analisi delle correnti assorbite, il rilevamento di vibrazioni anomale, il rilevamento di perdite tramite ultrasuoni e così via. Una variazione dei valori ottenuti rispetto allo stato di normale funzionamento indica l’avvicinarsi delle condizioni critiche, permettendo quindi di prevedere il momento del guasto.

Le stime per il mercato globale della manutenzione predittiva sono di 6,3 miliardi di dollari entro il 2022.
Le stime per il mercato globale della manutenzione predittiva sono di 6,3 miliardi di dollari entro il 2022.

Obiettivo: gli interventi proattivi

In sintesi, l’obiettivo della manutenzione predittiva è eseguire proattivamente la manutenzione di macchine e impianti rilevando i cambiamenti non appena si verificano per ridurre le interruzioni e migliorare l’efficienza dell’intero impianto. Questo tipo di manutenzione rende possibili le interruzioni programmate di macchinari e impianti sulla base dei dati di funzionamento reali. Ciò si traduce in una riduzione dei costi di assistenza e dei materiali, nonché in una maggiore disponibilità degli impianti stessi. Ulteriori vantaggi sono una vita di servizio più lunga dei componenti e dei macchinari, oltre alla manutenzione programmabile e ottimizzata nei costi. Algoritmi intelligenti e sensori virtuali trasferiscono le informazioni dal condition monitoring alla manutenzione predittiva. Un esempio è dato dalla determinazione senza sensori del momento ottimale di sostituzione dell’olio basato sulla temperatura dell’olio stesso in un macchinario. Infatti, la temperatura è un fattore chiave per l’invecchiamento dell’olio. Questa informazione, unita ad altri parametri specifici dell’apparecchiatura e a specifici parametri di esercizio, rende possibile calcolare con precisione il momento di sostituzione dell’olio in modo da evitare un guasto del macchinario.

La manutenzione predittiva monitora l’effettivo  utilizzo di un asset per decidere quando intervenire.
La manutenzione predittiva monitora l’effettivo utilizzo di un asset per decidere quando intervenire.

Data mining, machine learning e AI: le tecnologie concorrenti

Il monitoraggio predittivo richiede l’uso di numerose tecnologie concorrenti, come il data mining, il machine learning e l’intelligenza artificiale per analizzare i dati storici che saranno utili per eseguire previsioni. Collaudo e ispezione predittivi si basano principalmente su tecniche non intrusive, ispezione visiva e dati prestazionali per valutare le condizioni di macchine e impianti. Ciò permette al responsabile d’impianto di sostituire operazioni di manutenzione pianificate arbitrariamente con operazioni schedulate solo quando le condizioni delle apparecchiature lo richiedono. In tal modo, prima che vi siano segni evidenti di un guasto imminente, è possibile ordinare le parti di ricambio necessarie e le operazioni possono essere programmate in modo da ridurre al minimo le perdite di produzione. Benché la manutenzione predittiva offra molti vantaggi, alcune barriere d’ingresso, come gli elevati costi iniziali e i requisiti di formazione del personale, fanno sì che prima di qualsiasi implementazione sia necessaria un’attenta valutazione delle risorse da mettere in campo. Secondo un rapporto di Market Research Future, tuttavia, il mercato globale della manutenzione predittiva dovrebbe raggiungere 6,3 miliardi di dollari entro il 2022. Come suggerisce la ricerca, questo aumento è spinto proprio dalla crescente attenzione alla riduzione dei costi operativi e dei tempi di fermo degli asset di produzione.

0 Condivisioni