- Home »
- Approfondimenti »
- Blog »
- I dati che servono prima dei modelli: cosa raccogliere oggi per fare predittiva domani


C'è un momento, nel percorso di un'azienda manifatturiera che sta cercando di uscire dal modello reattivo, in cui la manutenzione preventiva ha portato maggiore organizzazione e capacità di pianificazione, ma comincia a mostrare anche i suoi limiti. Interventi programmati che a volte arrivano prima del necessario, altre volte troppo tardi. Componenti sostituiti ancora funzionanti; guasti che si presentano tra un intervento e l'altro.
È a questo punto che nasce l'esigenza di fare un passo ulteriore: non basare più gli interventi soltanto su scadenze prestabilite, ma iniziare a considerare ciò che accade realmente alle macchine mentre lavorano. È qui che si apre il percorso verso la manutenzione predittiva. Un percorso che, però, non comincia dalla scelta di un modello di machine learning: comincia molto prima, dalla raccolta dei dati giusti, nel modo giusto e per un tempo sufficiente.
Un algoritmo di manutenzione predittiva analizza i dati che descrivono il comportamento di una macchina e cerca schemi ricorrenti che possano anticipare anomalie o possibili guasti. Per farlo ha bisogno di una quantità adeguata di dati, raccolti con continuità e di buona qualità. Se i dati sono pochi, incompleti o poco affidabili, anche l'algoritmo più avanzato avrà basi insufficienti per produrre analisi attendibili.
Nella pratica industriale, la disponibilità e la qualità dei dati possono fare la differenza nella riuscita di un progetto di manutenzione predittiva. In alcuni casi i dati necessari non sono disponibili, perché la macchina non dispone della sensoristica necessaria per rilevare determinati segnali. In altri casi i dati ci sono, ma manca il contesto: si registrano, ad esempio, le temperature, ma non quando la macchina sta lavorando, quando è ferma o quando è in manutenzione. Senza queste informazioni, quei valori diventano molto più difficili da interpretare
In altri casi ancora, i dati sono disponibili e contestualizzati, ma lo storico raccolto non è ancora sufficiente. Per individuare i segnali che possono precedere un determinato guasto, infatti, è necessario disporre di dati raccolti per un periodo adeguato e che comprendano anche informazioni relative a quel tipo di evento.
Il punto di partenza è quindi una domanda concreta: quali dati stiamo raccogliendo oggi e saranno utilizzabili e confrontabili anche nel tempo?
Non tutti i dati relativi a una macchina raccontano la stessa cosa e non tutti servono allo stesso scopo. Per capire quali informazioni raccogliere in vista di un percorso di manutenzione predittiva, è utile distinguere due famiglie principali: i dati di funzionamento e i dati di stato.
Sono i dati che la macchina produce mentre lavora, e che descrivono quello che sta facendo: quanti pezzi ha prodotto, a che velocità, in quale programma, con quali parametri di processo. In molte macchine questi dati sono già disponibili nel PLC, nel controllo numerico o nel sistema di supervisione. È il problema dei dati dispersi: informazioni che esistono, ma che ogni giorno rischiano di andare perse invece di diventare patrimonio dell'azienda.
Sono i dati che descrivono la salute della macchina, non quello che sta producendo: temperature, vibrazioni, consumi elettrici, correnti assorbite, pressioni. Alcuni di questi dati possono essere già disponibili nel quadro elettrico o nel PLC; altri richiedono una sensoristica aggiuntiva, come accelerometri, termocoppie o sistemi per la misura delle grandezze elettriche. Questi dati sono particolarmente importanti per la manutenzione predittiva, perché possono evidenziare variazioni nel comportamento della macchina e segnali di anomalia prima che il problema diventi evidente.
La distinzione è importante perché i due gruppi di dati richiedono modalità di raccolta diverse: i dati di funzionamento necessitano di un'infrastruttura che permetta di acquisirli e conservarli nel tempo; i dati di stato possono richiedere anche l’integrazione di sensoristica aggiuntiva. Non è necessario raccogliere da subito ogni dato disponibile. La scelta deve partire dagli asset critici e dalle informazioni realmente utili a comprenderne il comportamento, valutando quali dati siano già disponibili e dove sia invece necessario integrare nuova sensoristica.
Se i dati raccolti dalle macchine sono la “voce” dell'impianto, il registro manutenzioni è la sua “biografia”: quali interventi sono stati fatti, quali guasti si sono presentati, quali componenti sono stati sostituiti, quando, con quale durata. I dati della macchina, da soli, non raccontano tutta la storia: sapere che le vibrazioni sono aumentate del 30% acquista molto più significato se si sa che due giorni dopo è stato necessario un intervento e per quale motivo.
Un registro manutenzioni utile anche in prospettiva predittiva si distingue per quattro elementi.
Primo: causali standardizzate. Non “problema quadro” una volta e “guasto elettrico” un'altra per indicare lo stesso tipo di guasto. Serve un elenco condiviso di causali, che possa essere aggiornato quando necessario ma utilizzato in modo coerente da tutti i manutentori.
Secondo: asset codificati in modo univoco. Ogni macchina, ogni componente critico, deve avere un codice fisso e riconoscibile — non il nome informale che varia da turno a turno.
Terzo: tempi misurati e non stimati. Quanto è durato il fermo, quanto tempo ha richiesto l'intervento e quando la macchina è tornata a piena produzione sono informazioni diverse e tutte importanti. Registrarne solo una restituisce una visione parziale di ciò che è accaduto.
Quarto: contesto del guasto. Che cosa stava succedendo prima del guasto? Cambio prodotto in corso? Turno di notte? Materia prima nuova? Informazioni che possono sembrare secondarie, ma che nel tempo permettono di mettere in relazione ciò che accade alla macchina con le condizioni e gli eventi che caratterizzano il processo produttivo.
Per questo, rendere il registro manutenzioni realmente utile richiede più dello strumento utilizzato. Servono metodo, condivisione e continuità nella raccolta delle informazioni, perché i dati mantengano coerenza e valore nel tempo.
Vediamo allora da vicino come questo percorso si traduce in un progetto reale di manutenzione predittiva. Un esempio è il progetto realizzato con Cembre S.p.A. per la predizione dell'usura degli utensili su un mandrino Robodrill a cinque assi, presentato anche alla Conferenza Internazionale su Industria 4.0 e Smart Manufacturing di Lisbona 2023.
L’aspetto più interessante del progetto riguarda proprio la prima fase. Prima ancora di scegliere gli algoritmi, il lavoro è stato quello di strumentare il macchinario con la sensoristica necessaria, definire i segnali da acquisire in alta frequenza, sviluppare i moduli software per raccogliere e processare quei dati, e — aspetto spesso sottovalutato — fornire agli operatori uno strumento per registrare in modo strutturato il livello di usura effettivo delle punte, misurato al microscopio. Solo dopo che questi dati sono stati raccolti e strutturati nel tempo, il modello di classificazione ha potuto essere addestrato — arrivando poi a un livello di accuratezza superiore al 90%.
La lezione trasferibile è semplice e non riguarda gli algoritmi: la parte più lunga e determinante di un progetto di predittiva sta nella raccolta strutturata dei dati giusti. È un lavoro poco visibile, ma essenziale per costruire le basi della predittiva.
Manutenzione Predittiva – Progetto sull’usura degli utensili di mandrino
La domanda naturale, a questo punto, è quanto tempo serve per avere dati sufficienti a costruire qualcosa. La risposta onesta è: dipende dalla macchina, dalla frequenza dei guasti che vogliamo prevedere, e dalla qualità della raccolta.
La ragione è statistica. Per imparare a riconoscere in anticipo un guasto ricorrente serve averlo visto un certo numero di volte in condizioni simili. E il modello ha bisogno anche di aver visto il “normale”: molte ore di funzionamento senza guasti, per capire cosa sia una situazione sana.
Questa è la ragione per cui la raccolta dei dati deve inizare oggi, anche se non si intende adottare la predittiva nell’immediato.
Tre passi concreti da cui partire. Individuare uno o due macchinari critici e verificare quali dati di funzionamento sono già disponibili (nel PLC, nel controllo numerico), e se vengono conservati nel tempo. Rivedere il registro manutenzioni alla luce dei quattro criteri sopra: causali, codifica, tempi, contesto. Valutare la sensoristica necessaria per acquisire i dati di stato.
È da qui che si costruiscono le basi per la manutenzione predittiva: non dalla semplice disponibilità di molti dati, ma dalla capacità di raccogliere quelli giusti con continuità, conservarli e metterli in relazione nel tempo. Solo così i dati possono diventare informazioni utili per comprendere il comportamento delle macchine e iniziare, progressivamente, ad anticiparne le anomalie.
Questo contenuto è stato realizzato con il supporto di strumenti di intelligenza artificiale e sottoposto a revisione e validazione editoriale da parte del team T4SM.
Iscriviti alla newsletter per rimanere aggiornato sui prossimi eventi.