Il paradigma della Manutenzione Predittiva (o PdM, acronimo di Predictive Maintenance) si diffonde agli inizi degli anni novanta – non esiste una data di nascita ufficiale – e da allora sono state
implementate migliaia di applicazioni reali.

Molte ricerche riportano che i guasti sono responsabili di circa il 40%-50% dei fermi non pianificati e le tecnologie abilitanti 4.0 hanno ormai abbattuto ogni barriera tecnologica all’adozione di forme di manutenzione più evolute, eppure un dato è certo: la manutenzione preventiva e quella
correttiva sono ad oggi ancora le più utilizzate.
Mentre l’approccio correttivo – il più tradizionale – interviene quando il guasto si presenta, l’approccio preventivo mira a prevenirlo quasi completamente.

Il primo approccio dunque minimizza il costo della manutenzione a scapito della continuità produttiva, mentre il secondo ha generalmente un costo elevato perché le attività sono comunque svolte su base periodica, indipendentemente dalla reale necessità. La manutenzione predittiva è più complessa da applicare, richiede skill di alto livello e strumenti tecnologici complessi, ma ripaga l’investimento coniugando bassi costi di manutenzione e massima continuità. Sebbene influenzata dal contesto, l’implementazione della PdM richiede in generale diverse fasi:

Analisi dei fermi e identificazione degli obiettivi
Si tratta di fare chiarezza con l’aiuto di un processo strutturato sullo stato attuale dell’impianto e sui risultati attesi in termini di miglioramento dell’indice OEE. Questa attività è fondamentale poiché ogni sistema ha proprie dinamiche e sarebbe impossibile applicare una soluzione “preconfezionata”.

Identificazione dei dati e raccolta
La PdM richiede dati che possono essere “storici”, ovvero già raccolti e registrati, o ancora non esistenti. Nel secondo caso, la scelta degli strumenti (apparecchiature o nuovi sensori) e delle modalità di raccolta sono parte dell’attività.

Analisi dei dati e identificazione degli indicatori di condizione                                                      In questa attività, l’esperienza dei data scientist è fondamentale per estrarre dai dati l’informazione di valore utile al successo del progetto.
I dati raccolti sono subito sottoposti al preprocessing che ne consente l’utilizzo e successivamente all’analisi vera e propria che porta a individuare uno o più indicatori di condizione.
Questi valori sono analoghi ai risultati delle analisi del sangue di un paziente e servono, appunto, a stabilire la condizione di “salute” della macchina.

Creazione di un Modello e addestramento
Confrontando l’andamento degli indicatori col presentarsi dei guasti, è possibile creare un modello predittivo, utilizzando semplici criteri matematici o tecniche più sofisticate come algoritmi di Machine Learning. Per dare il massimo risultato, il modello deve essere in grado di predire con un margine di errore minimo l’accadimento di un guasto con un anticipo minimo necessario a pianificare l’intervento manutentivo.

Integrazione e tuning finale
Oggi la tecnologia facilita questo passo che fino a qualche anno fa rappresentava il maggiore ostacolo: la potenza di calcolo delle piattaforme Edge e la più facile integrazione IT-OT consentono di eseguire analisi in tempo reale e di inviare alert al sistema MES.

Questo processo, soprattutto nelle fasi iniziali, richiede una proficua collaborazione tra i partner coinvolti, senza la quale il progetto rischia di arenarsi o di non raggiungere i risultati pianificati.   

È fondamentale che l’azienda che cura lo sviluppo e l’integrazione della soluzione di Manutenzione Predittiva metta in atto un’azione di educazione e supporto alla definizione degli obiettivi, così come è necessaria l’aperta collaborazione del Cliente nel fornire dati e informazioni riguardanti l’impianto.

Perché un certo guasto possa essere prevenuto, deve essere per prima cosa noto e documentato, ovvero deve essere stato osservato con una certa frequenza in condizioni operative quanto più possibile eterogenee. La PdM non è dunque una “sfera di cristallo”, in grado di prevedere qualsiasi evento negativo, ma è uno strumento di valore che può essere applicato con successo a buona parte degli impianti esistenti.

Per questo ogni realtà produttiva dovrebbe rivalutare periodicamente l’adozione della Manutenzione Predittiva, facendosi accompagnare da un team di esperti in materia per valutarne realisticamente il beneficio in termini di riduzione del TCO.
Secondo l’esperienza di Adgenera, che valuta e implementa modelli di PdM da anni, è sempre possibile identificare un numero ristretto di guasti responsabili delle maggiori perdite
economiche, su cui concentrare gli sforzi di analisi. Abbiamo oggi tutti gli strumenti tecnologici per garantire un migliore OEE attraverso la Manutenzione Predittiva e una lunga serie di casi di successo inconfutabili, elementi che consentono di investire in questo ambito con una buona dose di confidenza.