La manutenzione predittiva, secondo un recente report di Market Research Future, rappresenta un mercato in forte crescita che dovrebbe superare i 23 miliardi di dollari entro il 2025.

Si tratta di un settore in forte espansione parte del più ampio mercato del Digital Manufacturing, presente già dagli anni ’90 e che, in linea di massima, può essere definito come un approccio integrato alla produzione incentrato su un sistema informatico-digitale. Oggi siamo forse più abituati a sentire il termine Smart Manufacturing (o fabbrica intelligente) che, di fatto, racchiude l’essenza evolutiva stessa del segmento manifatturiero attraverso percorsi di trasformazione digitale che innervano i sistemi produttivi e logistici – e le filiere ad essi connessi – di tecnologie innovative.

In generale oggi identifichiamo il Digital Manufacturing come il processo di produzione digitalizzato (che richiede un intervento minimo dell’essere umano lungo la catena di produzione che viene avviata e gestita direttamente dalle macchine e dai sistemi informatici).

Quando parliamo di Smart Manufacturing, invece, ci riferiamo ormai a qualcosa di molto più ampio che afferisce ad una vera e propria rivoluzione dei processi, dei modi e dei tempi della produzione attraverso l’utilizzo congiunto ed esteso di diverse tecnologie digitali, spesso raggruppate sotto il cappello dell’Industria 4.0.

In questo ambito ricade la manutenzione predittiva che possiamo identificare come una strategia di manutenzione guidata dalle tecnologie di analisi predittiva.

 

Cos’è e cosa significa manutenzione predittiva

 

La manutenzione predittiva è un tipo di manutenzione preventiva (vedremo poi la differenza tra le due) che sfrutta tecniche (e tecnologie) progettate per aiutare a determinare le condizioni delle apparecchiature in servizio al fine di stimare (e prevedere) quando è necessario eseguire la manutenzione, prima che si verifichino fermi o guasti che potrebbero avere conseguenze dirette sui processi produttivi.

La manutenzione predittiva viene effettuata attraverso l’identificazione di determinati parametri che vengono monitorati, misurati ed analizzati – utilizzando appropriati algoritmi e modelli matematici – con l’obiettivo di determinare il cosiddetto “tempo residuo” prima di un fermo, un guasto o un possibile problema e, in base a tale tempo, capire quand’è il momento migliore per intervenire minimizzando i rischi per la produzione e per il business.

È evidente che il vantaggio primario della manutenzione predittiva è consentire una efficace programmazione della cosiddetta “manutenzione correttiva” e di prevenire guasti imprevisti ai macchinari utilizzati nei processi produttivi e logistici.

 

Manutenzione preventiva e manutenzione predittiva, che differenze ci sono?

 

La manutenzione preventiva e la manutenzione predittiva sono due facce della stessa medaglia (entrambe sono strategie efficaci per la manutenzione degli asset), ma differiscono nelle modalità (e nelle tecniche) di attuazione.

La manutenzione preventiva implica un monitoraggio sistematico delle risorse con interventi costanti di manutenzione ordinaria per prevenire tempi di inattività imprevisti o guasti. A differenza della manutenzione reattiva (o correttiva) – in cui il servizio di manutenzione avviene dopo che l’asset ha funzionato male o si è guastato – la manutenzione preventiva richiede l’esecuzione della manutenzione prima che qualsiasi cosa funzioni male.

Per riuscire a fare questo tipo di manutenzione, solitamente, ci si affida a parametri quali il tempo (tra un intervento di manutenzione ordinaria ed un altro, oppure in base alle ore di utilizzo o ai chilometri percorsi), le condizioni fisiche degli asset e la scoperta di qualche prova fisica che minaccia il malfunzionamento di un asset.

La manutenzione predittiva sfrutta invece le analisi avanzate dei dati per prendere decisioni più efficaci e consapevoli: la manutenzione predittiva implica l’analisi dell’effettivo utilizzo di un asset per decidere quando eseguire la manutenzione.

Anche nella manutenzione preventiva si sfruttano tecnologie di analisi ma di tipo descrittivo, che consentono un’analisi dei dati storici per fare ipotesi statistiche. La manutenzione predittiva differisce invece dalla manutenzione preventiva perché si basa sulle condizioni effettive delle apparecchiature (sfruttando analisi di tipo predittivo), piuttosto che sulle statistiche sulla vita media o prevista, per prevedere quando sarà necessaria la manutenzione.

In una strategia di manutenzione predittiva si utilizzano sia i dati storici sia quelli attuali (spesso in real-time) sulle prestazioni degli asset per determinare quando è probabile che si verifichi un malfunzionamento e quindi eseguire la manutenzione in anticipo.

 

Digital manufacturing: come fare manutenzione predittiva degli impianti

 

La manutenzione predittiva basata sulle condizioni e le prestazioni reali degli asset si basa su diversi elementi chiave:

  • – acquisizione dei dati;
  • – elaborazione dei dati;
  • – processo decisionale di manutenzione.

La manutenzione predittiva si basa dunque su apparecchiature di monitoraggio delle condizioni degli asset e degli impianti per valutare le prestazioni delle risorse in tempo reale. Grazie alla combinazione di analisi/diagnosi basate su condizioni con formule predittive e ai dati raccolti “sul campo” grazie alle tecnologie dell’Internet of Things (IoT), la manutenzione predittiva crea uno strumento preciso per la raccolta e l’analisi dei dati degli asset. Questi dati consentono di identificare eventuali aree che necessitano o necessiteranno di attenzione e/o intervento.

In linea di massima possiamo dire che acquisendo i dati attraverso una distribuzione a livello di fabbrica/impianti delle tecnologie IoT (in particolare di sensori), i dati vengono acquisiti per l’analisi.

Questi dati vengono poi raccolti in un Data Hub e messi a disposizione dei sistemi di analisi (che si basano su modelli matematici di tipo predittivo e consentono di fare analisi avanzate, oggi anche sfruttando tecnologie innovative come il Machine Learning).

Infine, l’analisi predittiva restituisce informazioni che consentono di accelerare, rendere efficaci e persino automatizzare le decisioni ed i processi di manutenzione in un “regime predittivo” che riduce i tempi di fermo e i costi e consente di inserire la manutenzione all’interno dei normali processi produttivi invece di essere una barriera o un “male necessario”.

Come ogni altra strategia di manutenzione proattiva, la manutenzione predittiva mira a:

  • – ridurre al minimo il numero di guasti imprevisti e massimizzare il tempo di attività delle risorse che ne migliora l’affidabilità;
  • ridurre i costi operativi ottimizzando il tempo speso per i lavori di manutenzione (in altre parole, fare la manutenzione solo quando è doverosa elimina praticamente ogni possibilità di perdere tempo a fare manutenzione non strettamente necessaria);
  • migliorare i profitti riducendo i costi di manutenzione a lungo termine e massimizzando le ore di produzione.

 

New call-to-action

Approfondimenti da BNext:

Deep learning: cos’è e quali le applicazioni 

Nell’ampio vocabolario dell’intelligenza artificiale c’è una tecnica sempre più diffusa che promette di affrontare i problemi più complessi: il deep learning. Grazie all’impiego delle reti neurali profonde, il deep learning consente di correlare i dati con una...

Machine learning e deep learning: quali le differenze

Machine learning (ML) e deep learning (DL) sono termini sempre più ricorrenti nel vocabolario tecnologico, oltre ad essere sempre più utilizzate nelle applicazioni enterprise e mainstream. Prima di entrare nel merito, per comprendere in cosa consistono e cosa le...

Dataiku: cosa c’è da sapere sulla nuova release

Le novità più importanti della release 11.0 e 11.1.0 spiegate dal nostro data scientist Emiliano Fuccio

ETL, il significato di Extract, Transform, Load: cos’è e a cosa serve

I dati vengono ormai generati con un flusso incessante, in ogni singolo istante, da miliardi di dispositivi interconnessi in tutto il mondo. Ma come è possibile estrarre valore da questa straordinaria risorsa digitale? Il paradigma Big Data, gli Advanced Analytics e...

Data ingestion: significato, esempi e vantaggi 

La data ingestion è una tecnologia molto importante nell’aiutare le organizzazioni a gestire un volume di dati sempre più ingente e complesso, anche per via della sua straordinaria eterogeneità. Se ben implementata, la data ingestion può infatti generare un...

Le differenze tra intelligenza artificiale debole e forte

L’intelligenza artificiale è una tecnologia ormai entrata stabilmente a far parte della nostra quotidianità, dai semplici assistenti domestici ai più complessi sistemi di robotica industriale. Nella sua definizione più ampia, l’intelligenza artificiale è un termine...

Cos’è la Data Quality e le metriche di riferimento

La Data Quality è una misura della condizione dei dati basata su fattori quali accuratezza, completezza, coerenza, affidabilità e se sono aggiornati. La misurazione dei livelli di qualità dei dati può aiutare le organizzazioni a identificare gli errori nei dati che...

OLAP e OLTP: cosa sono e quali le differenze 

La trasformazione digitale ha portato le aziende ad essere sempre più data-driven, orientando i loro processi e le loro decisioni nella prospettiva delle operazioni e delle analisi di quantità e varietà di dati sempre più importanti. È infatti ormai decisamente...

Data as a Service: cos’è a cosa serve

I modelli a servizi disponibili in cloud consentono di avere nuove opzioni di utilizzo dei dati, molto più flessibili e scalabili rispetto ai sistemi di gestione tradizionali. È il caso del Data as a Service (Daas), una soluzione strategica in grado di semplificare...

Data Science Lifecycle, le 6 (+1) fasi del processo

La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da dati strutturati o non strutturati. Non esiste un framework unico e universalmente condivido per definire i processi di Data Science, tuttavia, dal punto di vista tecnico lo standard KDD è quello a cui ci si ispira maggiormente, perché indica l’intero processo di ricerca di nuova conoscenza dai dati.