- Home »
- Approfondimenti »
- Blog »
- Manutenzione predittiva: cosa promette, cosa fa davvero, cosa non può fare


In mezzo a tutte le informazioni fornite sulla manutenzione predittiva negli ultimi anni, un imprenditore che sta ragionando sul tema si trova davanti due difficoltà opposte: capire che cosa effettivamente fa un sistema di manutenzione predittiva, e capire cosa invece non può fare per lui.
E' importante affrontare le due cose insieme e con attenzione. Non perché la manutenzione predittiva non funzioni: funziona, e lo vedremo con un caso concreto. Capire cosa può fare realmente la manutenzione predittiva aiuta a valutarne con maggiore consapevolezza il valore e le possibilità di applicazione.
Un sistema di manutenzione predittiva raccoglie in continuo dati da una macchina o da un impianto — temperature, vibrazioni, consumi elettrici, tempi ciclo, parametri di processo — e li analizza per riconoscere segnali che precedono un guasto o un deterioramento. L'idea di fondo è che alcuni guasti siano preceduti da piccoli cambiamenti nel comportamento della macchina, difficili da riscontrare a occhio umano ma riconoscibili attraverso l’analisi di una serie storica di dati.
Un allarme tradizionale può basarsi su una soglia definita in anticipo: per esempio, se la temperatura supera 85 gradi, genera una segnalazione. La manutenzione predittiva analizza invece come quella temperatura, insieme ad altri dati della macchina, cambia nel tempo. Potrebbe quindi rilevare un andamento anomalo prima ancora che vengano raggiunti gli 85 gradi, perché riconosce un comportamento simile a quello che, in passato, ha preceduto un problema.
Questa analisi viene effettuata attraverso modelli matematici, tipicamente di machine learning, costruiti a partire dai dati storici della macchina.
Quando viene rilevata una possibile anomalia un problema, il sistema genera un avviso al manutentore, permettendogli di valutare un intervento pianificato anziché trovarsi ad agire in emergenza.
Fatta questa premessa, è importante distinguere due tipologie di sistemi di manutenzione predittiva che, pur avendo lo stesso obiettivo generale, funzionano in modo diverso e richiedono dati e condizioni di partenza differenti.
La prima tipologia comprende i sistemi che cercano comportamenti anomali — nel gergo tecnico, anomaly detection. Il modello impara com'è fatto il comportamento “normale” della macchina osservandola lavorare nel tempo e segnala quando i dati in arrivo si discostano da quel comportamento. Questo tipo di sistema può essere utilizzato anche senza disporre di uno storico di guasti, perché parte dall'osservazione del normale comportamento della macchina. Quando rileva un'anomalia segnala che qualcosa sta cambiando, ma è poi necessario comprenderne la causa e valutarne la rilevanza. È qui che interviene la competenza del manutentore.
La seconda tipologia è quella dei sistemi che stimano quanta vita resta a un componente — nel gergo, modelli di vita utile residua o RUL. Qui il modello risponde a una domanda più precisa: “questo cuscinetto, alle condizioni in cui sta lavorando, quanti giorni ha ancora davanti prima di cedere?”. Questo tipo di sistema fornisce un'informazione più precisa, che permette di pianificare con maggiore accuratezza il momento dell'intervento. Richiede però una base storica più articolata, che comprenda anche guasti reali relativi a quel tipo di componente, non soltanto dati sul normale funzionamento. La distinzione è importante perché i due sistemi rispondono a domande diverse e richiedono basi dati differenti: il primo individua variazioni rispetto al normale comportamento della macchina, il secondo cerca di stimare la vita residua di un componente.
Quando i dati ci sono, sono raccolti bene, lo storico è sufficiente e il tipo di sistema è quello adatto al problema, i risultati sono concreti e misurabili. Si riducono i fermi non pianificati sui componenti monitorati, si allunga la vita media di quei componenti perché non li si sostituisce prima del necessario, si programmano gli interventi nei momenti più opportuni invece che in emergenza.
Un esempio documentato è il progetto realizzato con Cembre S.p.A. per la predizione dell'usura degli utensili su un mandrino di lavorazione a cinque assi — progetto poi presentato alla Conferenza Internazionale su Industria 4.0 e Smart Manufacturing di Lisbona. Il modello di classificazione, addestrato sui dati raccolti durante la vita degli utensili e validato su dati nuovi, è arrivato a un'accuratezza del 90%nel riconoscere il livello di usura reale. È stato messo in produzione con un pannello operatore che rende l'informazione fruibile in reparto — e ha portato una riduzione degli sprechi di materiale e dei fermi macchina imprevisti nella lavorazione specifica su cui era stato costruito.
L’aspetto importante non è solo la sofisticazione del modello, ma tutto il lavoro fatto a monte per renderne possibili i risultati.
(→ Approfondimento tecnico sul progetto: pagina case study Cembre — T4SM.)
La qualità dello storico fa la differenza. Un modello impara dai dati passati. La quantità e il tipo di dati necessari dipendono dall'obiettivo e dal sistema utilizzato: in alcuni casi è sufficiente costruire uno storico del normale comportamento della macchina, in altri servono anche dati relativi ai guasti che si vogliono prevedere. È per questo che la manutenzione predittiva si costruisce nel tempo, a partire dai dati raccolti sulla macchina.
La predittiva supporta il lavoro del manutentore. Un sistema predittivo segnala che qualcosa sta cambiando, o stima quanto tempo resta a un componente. L'intervento resta però una decisione del manutentore: è lui, grazie alla conoscenza della macchina, a valutare cosa fare e quando intervenire. Quello che cambia è che il manutentore lavora meno in emergenza e più in pianificazione.
Un’anomalia può essere rilevata anche senza conoscere il guasto. Quando dispone di uno storico sufficiente, un sistema predittivo può riconoscere i segnali che hanno preceduto un determinato guasto e aiutare ad anticiparne il verificarsi. Ma anche quando quello specifico guasto non si è mai presentato, i dati raccolti sul normale funzionamento della macchina possono permettere di rilevare una possibile deriva dal suo comportamento abituale. In questo caso il sistema non identifica il tipo di guasto, ma segnala un’anomalia che può essere verificata dal manutentore.
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.