La manutenzione predittiva è un processo di manutenzione di macchinari e asset basato sul monitoraggio delle prestazioni e delle condizioni dei macchinari, finalizzato a ridurre la probabilità di guasti e rotture. Per la verità non si tratta di un concetto completamente nuovo. Nel mondo industriale, infatti, la manutenzione predittiva è utilizzata almeno dagli anni ’90. Tuttavia si tratta di un tema ritornato di particolare attualità grazie alle nuove tecnologie, in particolare Industrial Internet of Things e machine learning.

Grazie alla combinazione di queste soluzioni, infatti, è oggi possibile ottenere modelli predittivi sempre più dettagliati, grazie alla enorme capacità di raccolta dati derivante dalla IIoT, e sempre più affidabili nella previsione di guasti e inefficienze, grazie alle capacità di elaborazione dei modelli introdotta dal machine learning anche nei processi industriali.

Il principio alla base di questa tecnica è molto semplice: se un’azienda è in grado di prevedere in modo affidabile guasti, malfunzionamenti e inefficienze in generale, anche per esempio in funzione delle contingenze dovute al carico di lavoro o alle condizioni ambientali, potrà pianificare la manutenzione e le riparazioni oppure, anche nei casi più sfortunati, minimizzare l’impatto derivante dai fermi di produzione, conservando un adeguato livello di servizio e di qualità nei confronti dei clienti.

Insomma, la manutenzione predittiva avvicina sensibilmente l’industria a un traguardo importantissimo: quello in cui gli interventi e le attività di manutenzione sono completamente trasparenti e non impattanti rispetto ai processi produttivi.

Come accade sempre nel mondo reale, la maggior parte dei programmi di manutenzione aziendale utilizza soluzioni ibride. È importante a questo punto sottolineare la differenza tra manutenzione predittiva e manutenzione preventiva. Quest’ultima infatti prevede di ispezionare, e in alcuni casi manutenere, periodicamente i macchinari, a prescindere dalla reale necessità. Per esempio, un sistema di riscaldamento potrebbe essere controllato ogni anno prima dell’inverno, oppure un mezzo di trasporto potrebbe essere sottoposto a un tagliando ogni diecimila chilometri.

La manutenzione predittiva, invece, si base fortemente sul rilevamento dei dati e sulla loro analisi. Implementare una soluzione di predictive maintenance efficace richiede un investimento tecnologico considerevole, anche in formazione del personale. L’investimento iniziale viene tuttavia ammortizzato nel medio lungo termine, soprattutto nei campi in cui lo stato dei macchinari è strategico.

Per esempio, modificare la politica di sostituzione dei macchinari (o delle parti chiave) può comportare un considerevole vantaggio. Invece di pianificarlo in base al ciclo di vita medio, infatti, la manutenzione predittiva può permettere, grazie all’analisi dei dati, di capire quando un macchinario o una struttura hanno reale bisogno di interventi o sostituzione. Questo porta ad almeno due benefici considerevoli. Da un lato, permette di allungare il ciclo di vita dei macchinari, il cui livello di usura è inferiore alla media statistica, mentre dall’altro consente di mitigare eventuali danni generati da quelli che, al contrario, mostrano segni di cedimento prematuro che la manutenzione preventiva tradizionale non intercetterebbe.

Gli algoritmi di manutenzione predittiva più attuali offrono vantaggi economici considerevoli. Oltre a massimizzare il ciclo di vita di impianti ed equipaggiamenti, permettono di ottimizzare i fermi macchina pianificati e, in generale, migliorare la produttività.

Inoltre, la possibilità di basare la manutenzione su dati solidi e consistenti permette di estendere l’approccio data driven anche al reparto di manutenzione, consentendo una gestione delle priorità più integrata e armonica con il resto delle esigenze aziendali.

Per un’azienda che ha un approccio tradizionale alla manutenzione, uno degli aspetti più disruptive della manutenzione predittiva è proprio nella sua natura di attività basata sui dati. Si tratta di una disciplina complessa, che può richiedere uno sforzo formativo considerevole anche, ma non solo, per addestrare il personale alla lettura dei dati.

Tuttavia, è possibile mitigare questo scoglio iniziale prevedendo un percorso di affiancamento e formazione in cui il personale interno viene guidato nella comprensione delle analisi statistiche e delle indicazioni fornite dai modelli predittivi, al fine di facilitare il passaggio al nuovo sistema.

Come abbiamo accennato in apertura, la manutenzione predittiva non è una disciplina del tutto nuova. Ma non è difficile intuire come, grazie alla potenza di calcolo disponibile oggi, sfruttare predictive maintenance e machine learning insieme possa portare a vantaggi completamente nuovi per il mondo delle attività produttive.

Oggi, infatti, grazie alla presenza sempre più importante di dispositivi IIoT e di sensori di nuova generazione, è possibile avere modelli di dati estremamente realistici (si pensi per esempio al concetto di gemello digitale) ma soprattutto, grazie al machine learning, è possibile interpretare i dati in modo eccezionalmente avanzato e creare modelli previsionali innovativi, che non si fermano alla tradizionale analisi diretta di cause ed effetti. Per esempio, una criticità dinamica, come una sequenza specifica di operazioni in una determinata condizione climatica, difficilmente può essere intercettata dai modelli analitici tradizionali, ma può essere evidenziata, e in alcuni casi anche riprodotta, grazie a un set di dati più esteso e a un algoritmo di machine learning ben addestrato.