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).

Immagine promozionale per il whitepaper su Data Driven

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:

Profilazione clienti: cos’è e come farla efficacemente 

Quando si chiede ad un imprenditore quali siano gli aspetti del business che vorrebbe migliorare, molto spesso si riscontra l’esigenza tangibile di conoscere meglio la propria clientela, sia per definire in maniera più precisa il target di riferimento della propria...

Cluster Analysis: cos’è e come si esegue

La tendenza a creare gruppi omogenei a partire dai dati di cui si dispone rappresenta un atteggiamento sempre più diffuso per descrivere un fenomeno che non si conosce a priori e renderlo facilmente comprensibile agli stakeholder. La scienza dei dati affronta in vari...

Big Data Analytics: cos’è e perché è importante

Quando si parla di big data analytics ci si riferisce, solitamente, all’analisi avanzata di grandi volumi di dati. Prendere decisioni oggettive, migliori e più efficaci rispetto al passato, basate su una corretta analisi dei dati è ormai diventata un’esigenza...

Cosa sono e come funzionano le reti neurali ricorrenti

Le reti neurali trovano il loro fondamenti nei lontani anni Quaranta del Novecento, quando Warren McCulloch e Walter Pitts pubblicarono un importante articolo sul funzionamento dei neuroni e crearono una semplice rete neurale per mezzo di circuiti elettrici....

Reti neurali: cosa sono, come funzionano e le applicazioni

Nel contesto dell’intelligenza artificiale si parla sempre più spesso di reti neurali, intese quali modelli matematici dichiaratamente ispirati al funzionamento biologico del cervello umano. Le reti neurali artificiali trovano la loro teorizzazione già negli anni...

Transfer learning: cos’è, i modelli e le applicazioni

Lo sviluppo legato all’intelligenza artificiale coinvolge un’ampia varietà di metodi e tecniche, che possono valorizzare l’abilità di riutilizzare in maniera corretta ed efficiente il lavoro precedentemente svolto. Tale prospettiva viene in particolar modo enfatizzata...

Data Driven: cosa significa e come applicarne i principi in azienda

Nell’era del digitale, parlare di data-driven è diventato quasi un imperativo categorico, ma cosa vuol dire per davvero, essere un’azienda data-driven? A questa fondamentale domanda è possibile rispondere in molti modi, anche perché i contesti in cui ci si approccia...

Data Management: cos’è e perché è necessario in azienda

Oggi più che mai i dati digitali rappresentano un vero e proprio asset, un capitale, un importante fattore economico per le aziende di ogni dimensione e settore.  Fino a qualche anno fa le pianificazioni strategiche, produttive e logistiche si basavano quasi...

Data lake vs data warehouse: le differenze e quale scegliere

Nell’era del digitale le organizzazioni collezionano dati provenienti da varie sorgenti, con una quantità ed una varietà che vanno ben oltre ciò per cui i tradizionali database relazionali sono stati concepiti. In particolare, emergono limiti nell’ambito delle...

Data Fabric: cos’è e quali i vantaggi nel suo utilizzo

Le aziende si trovano ad interfacciarsi con ambienti sempre più diversificati, distribuiti e complessi. Rendere agile la gestione dei dati aziendali diventa quindi una priorità: è necessario guardare oltre le tradizionali pratiche di data management, così da gestire al meglio i costi grazie a soluzioni moderne, come ad esempio il #LogicalDataFabric.

Data Lake: cos’è e quando utilizzarlo per l’archiviazione

La trasformazione digitale sta progressivamente aumentando il volume dei dati con cui le aziende si interfacciano ormai in tempo reale per supportare i loro processi. I dati vengono acquisiti dai sistemi aziendali con grande velocità, con numeriche decisamente...