- Home »
- Approfondimenti »
- Blog »
- Manutenzione in azienda manifatturiera: dalla riparazione alla previsione. Un percorso in quattro tappe


Molte aziende manifatturiere gestiscono ancora la manutenzione intervenendo a guasto o attraverso una manutenzione preventiva programmata. Se anche la tua azienda si trova in una di queste situazioni, il passaggio alla manutenzione predittiva non avviene semplicemente adottando una nuova tecnologia: richiede un percorso fatto di organizzazione, digitalizzazione e dati.
La manutenzione predittiva — quella basata sui dati e sui modelli, di cui si parla molto — non è solo un traguardo che si raggiunge semplicemente con l'acquisto di un software. È il punto di arrivo di un percorso in cui un’azienda struttura la manutenzione, digitalizza la raccolta delle informazioni e costruisce nel tempo una base dati utile ad analizzare ciò che accade sulle macchine. Il percorso può essere letto attraverso quattro tappe, ciascuna con caratteristiche ed esigenze diverse. Per chi vuole approfondire un tema specifico, ogni sezione rimanda a un articolo dedicato del percorso.
Il modo più utile di leggere l'evoluzione della manutenzione in azienda è vederla come una scala a quattro gradini ciascuno con la propria logica.
Si interviene quando qualcosa si rompe. È il modello più semplice, e per certe macchine — quelle il cui fermo non blocca il resto della produzione — è anche il più razionale. Quando però il guasto riguarda una macchina critica per il processo produttivo, le conseguenze possono andare oltre il costo della riparazione: il fermo può ripercuotersi sulla produzione, sulla pianificazione e sull'organizzazione delle attività — abbiamo dedicato il primo articolo del percorso. → “Aggiusto solo quando si rompe”: perché molte PMI fanno ancora manutenzione a guasto
Si stabilisce una cadenza — ogni tre mesi, ogni cinquemila ore, ogni centomila pezzi — e si interviene a prescindere dallo stato apparente della macchina. È il primo salto pratico fuori dal reattivo, richiede un'organizzazione di base (un registro degli interventi, una lista degli asset critici, un calendario) e può portare risultati concreti: una maggiore capacità di programmare gli interventi, una riduzione dei fermi urgenti e una gestione più mirata dei ricambi. Il limite è strutturale: la manutenzione preventiva agisce sul tempo, non sullo stato reale del componente. A volte arriva prima del necessario, a volte troppo tardi, ed è cieca a ciò che succede tra un intervento e il successivo. → Manutenzione preventiva: il primo gradino concreto (e perché spesso non basta)
Si smette di intervenire in base al calendario e si comincia a farlo in base a segnali reali della macchina: temperature, vibrazioni, consumi, correnti. Serve raccogliere e conservare questi dati in modo strutturato, utilizzando quelli già disponibili ed eventualmente integrando la sensoristica necessaria. La logica è già quella della predittiva ma senza ancora i modelli: si interviene quando i dati indicano che il componente sta cambiando comportamento.
Sui dati raccolti si costruiscono modelli matematici di machine learning che analizzano il comportamento della macchina per individuare anomalie o riconoscere segnali che possono precedere un guasto. Non c'è un unico tipo di sistema, e la distinzione tra le due tipologie principali è importante: ci sono modelli che segnalano anomalie rispetto al comportamento normale, e modelli che stimano la vita utile residua di un componente. I due approcci rispondono a obiettivi diversi e richiedono dati differenti. Cosa fa e cosa non fa un sistema di manutenzione predittiva lo vediamo nel dettaglio più avanti in un articolo dedicato. → Il Machine Learning al tempo dell’Intelligenza Artificiale
Quando si parla di manutenzione predittiva, l’attenzione va spesso agli algoritmi, all'intelligenza artificiale e alle dashboard. Ma prima dei modelli ci sono i dati: la loro qualità, la loro strutturazione e lo storico costruito nel tempo.
Un modello di machine learning cerca schemi ricorrenti nei dati raccolti nel tempo, e usa quegli schemi per stimare cosa succederà nel futuro prossimo. Se i dati non ci sono, o sono pochi, non c'è modello che possa lavorare bene. Per questo è importante digitalizzare gli impianti, perché ogni buona decisione aziendale parte dai dati.
La domanda che un imprenditore deve farsi oggi, non è “che algoritmo scelgo?”, ma “che dati sto raccogliendo, e come li sto conservando perché siano utilizzabili nel tempo?”.
Ci sono due gruppi principali di dati che è utile distinguere. I dati di funzionamento sono quelli che descrivono cosa la macchina sta facendo — pezzi prodotti, velocità, programma in esecuzione, parametri di processo: in molte macchine esistono già, il problema è conservarli in modo strutturato invece di lasciarli scorrere e perderli. I dati di stato descrivono la salute della macchina — vibrazioni, temperature, consumi elettrici: alcuni sono disponibili dal quadro, altri richiedono sensoristica aggiuntiva. E poi c'è il registro manutenzioni, che è la biografia della macchina — quali guasti si sono presentati, quando, cosa è stato fatto, quanto è durato. Senza registro strutturato, i dati delle macchine — anche perfetti — non bastano al modello. Su cosa raccogliere oggi per fare predittiva domani — e su come strutturare il registro perché sia davvero utile a un modello — rimandiamo all'articolo dedicato del percorso. → I dati che servono prima dei modelli: cosa raccogliere oggi per fare predittiva domani
Grazie ai dati giusti la manutenzione predittiva può portare risultati concreti e misurabili. Riduce i fermi non pianificati sui componenti monitorati. Allunga la vita media di quei componenti, perché non si sostituiscono prima del necessario. Permette di programmare gli interventi nei momenti più opportuni, anziché agire in emergenza.
La distinzione più utile per orientarsi tra le offerte di mercato è tra due tipologie di sistemi.
Rilevamento di anomalie: modelli che imparano il comportamento normale della macchina, e segnalano quando i dati mostrano variazioni anomale.
Vantaggio: possono partire anche senza una storia di guasti.
Modelli di vita utile residua: stimano quanto tempo resta a un componente prima di cedere.
Vantaggio: forniscono una stima più precisa, utile alla pianificazione degli interventi.
Richiedono però uno storico di guasti reali relativo a quel componente.
Su questa distinzione, e su cosa può fare concretamente la manutenzione predittiva, il quarto articolo del percorso entra più a fondo.
Nel 2023 T4SM ha completato con Cembre S.p.A., azienda italiana leader nella produzione di connettori elettrici, un progetto di manutenzione predittiva sull'usura degli utensili di un mandrino di lavorazione a cinque assi. Il progetto è stato poi presentato alla Conferenza Internazionale su Industria 4.0 e Smart Manufacturing di Lisbona. Il progetto mostra concretamente il percorso di cui abbiamo parlato e, soprattutto, il lavoro necessario prima di arrivare al modello.
La prima fase del progetto non ha riguardato gli algoritmi. È stata dedicata a strumentare il macchinario con la sensoristica necessaria per acquisire i segnali in alta frequenza, a sviluppare i moduli software per raccogliere e processare quei dati, e a fornire agli operatori uno strumento per registrare in modo strutturato il livello di usura effettivo delle punte, misurato al microscopio elettronico. Solo dopo che questa raccolta è stata attiva per un tempo sufficiente, il modello di classificazione ha potuto essere addestrato e validato — arrivando a un'accuratezza superiore al 90% nel riconoscere il livello di usura reale.
Il modello è poi stato messo in produzione con un pannello operatore che rende l'informazione fruibile in reparto: per ogni utensile registrato, il livello di usura e il numero di fori fatti. Il risultato è stato una riduzione degli sprechi di materiale, dei fermi macchina imprevisti e dei costi di produzione sulla lavorazione specifica. L'aspetto importante non è solo la sofisticazione del modello, ma tutto il lavoro fatto a monte per renderne possibili i risultati.
Se questa pillar l'hai letta fino a qui, hai in mano un percorso completo. La domanda che rimane è dove sono i tuoi dati e come li stai usando?
Se sei ancora nel modello reattivo, puoi partire strutturando le informazioni di manutenzione e identificando gli asset critici, ma il passo successivo è digitalizzare la raccolta dei dati. Se sei nella preventiva, puoi iniziare dai dati che le tue macchine producono già, raccogliendoli automaticamente e conservandoli nel tempo. Mettere in relazione dati di macchina, produzione e manutenzione permette di costruire una conoscenza più completa di ciò che accade sull'impianto e crea le basi per applicazioni più evolute, fino alla manutenzione predittiva.
Non serve quindi aspettare di essere pronti per la predittiva per iniziare un percorso di digitalizzazione. Il punto di partenza è capire quali informazioni sono già disponibili, quali mancano e quali strumenti possono aiutarti a raccoglierle e utilizzarle in modo efficace. → Quando ha senso passare alla manutenzione predittiva
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.