Manutenzione predittiva e Intelligenza Artificiale: tutto quello che c’è da sapere

Si fa presto a dire “manutenzione”. Il termine sottintende diverse attività che coinvolgono numerosi reparti aziendali, ponendosi quindi come elemento attivo nel contesto produttivo, in grado di migliorare l’efficienza e ridurre l’impatto economico.

Al livello base si colloca la manutenzione reattiva, legata ad un’emergenza, e che obbliga il manutentore ad attivarsi urgentemente qualora una macchina abbia un fermo.

Come è intuibile, tale approccio implica un blocco della produzione, con ricadute negative su tutta la catena del valore. Miglioramenti si possono ottenere con la manutenzione preventiva, in cui si programmano interventi scadenzati nel tempo al fine di controllare/sostituire i diversi componenti di una macchina.

Si possono quindi pianificare i fermi macchina per ridurre al minimo gli impatti sulla produzione, con un sensibile incremento dell’OEE (Overall Efficiency Equipment), misura dell’efficacia complessiva di una macchina/impianto, costituita da 3 elementi di cui uno risulta proprio essere la disponibilità del bene.

Tale manutenzione può garantire buone performance, risultando però non supportata da un approccio scientifico, in quanto si potrebbero sostituire elementi della macchina perfettamente funzionanti solo perché si è raggiunta la vita utile convenzionale. Viceversa, vi è il rischio di trascurare componenti critici, altamente usurati ma “giovani” e quindi lontani dalla scadenza programmata.

Alla luce dell’evoluzione tecnologica che ha coinvolto i macchinari negli ultimi anni, sospinta anche dal paradigma Industria 4.0 (ora Transizione 4.0), si è in grado di raccogliere e gestire una mole significativa di dati provenienti dai sensori installati sulle macchine stesse. Di conseguenza, si ha la possibilità di conoscere in termini oggettivi e numerici lo stato di salute dei componenti, intervenendo in maniera chirurgica solo su quelli che effettivamente stanno terminando il proprio ciclo di vita.

Il concetto di manutenzione si è quindi trasformato, per approdare alla visione predittiva. Attraverso l’analisi dei dati storici è possibile anticipare il deterioramento e stimare il tempo residuale prima del guasto, al fine di ottimizzare la pianificazione dei fermi macchina, non più stabilita a priori e dunque fissa, ma capace di adattarsi alle condizioni attuali dei diversi beni (si potrebbe quasi parlare di pianificazione “fluida” degli interventi di manutenzione).

Si comprendono immediatamente i benefici di un tale paradigma, in quanto si agisce su un numero inferiore di componenti, velocizzando le operazioni, e riducendo i guasti critici. Minori fermate si traducono inoltre in costi di lavorazioni minori, garantendo quindi all’azienda un beneficio economico, che impatta anche sulla rete di fornitura.

Non bisogna infatti dimenticare che, secondo un report dell’International Society of Automation, ogni anno globalmente si ha una perdita di circa 650 miliardi di dollari a causa dei fermi macchina.

Come detto, la possibilità di implementare una manutenzione predittiva si basa sulla disponibilità di dati. I dati devono però essere letti, organizzati e strutturati in modo tale da generare valore per l’azienda; ecco quindi che interviene il secondo attore principale di questa disamina, ovvero l’intelligenza artificiale (AI), disciplina che al suo interno racchiude innumerevoli tecniche matematiche e informatiche (e.g. reti neurali, machine learning) in grado di trattare correttamente una grande mole di dati, per individuare trend e pattern altrimenti invisibili all’occhio umano.

È bene comunque ricordare che la qualità del dato di ingresso gioca un ruolo fondamentale, altrimenti anche la più avanzata delle AI fornisce risultati non veritieri (il motto garbage in –  garbage out è sempre valido).

La componente umana è quindi imprescindibile, in quanto è necessario che l’azienda disponga o collabori con personale qualificato, che conosca i dati e sia in grado di costruire sottoinsiemi di allenamento (il cosiddetto training set, sulla base dei dati storici) al fine di addestrare l’intelligenza artificiale al riconoscimento preventivo di anomalie e guasti.

In questo modo è possibile costruire un modello digitale della macchina, capace di anticipare il comportamento reale e pianificare con anticipo finestre temporali dedicate alla manutenzione solo quando effettivamente necessario.

Tale sistema inoltre permette, attraverso opportune infografiche e dashboard, di sintetizzare efficacemente tutti i dati raccolti, generando informazioni utili non solo a chi si occupa di manutenzione, ma trasversalmente a tutti i reparti aziendali, non ultimo il management. A tal proposito, è bene comprendere come l’unione tra manutenzione predittiva e AI comporti necessariamente un cambio culturale, in quanto la definizione delle strategie aziendali deve basarsi anche sulla lettura e sulla comprensione del dato.

Manutenzione predittiva e AI possono quindi essere visti come due soggetti che si incontrano e capiscono di trovarsi bene, e la cui sinergia innesta un circuito virtuoso dove la maggiore disponibilità di dati permette di creare modelli più accurati ed efficienti, in grado di gestire un maggior numero di dati.

In ultimo, non bisogna dimenticare come l’implementazione di tale approccio possa far leva (da un punto di vista economico) sui benefici fiscali del piano Transizione 4.0. Ad esempio, il monitoraggio continuo delle condizioni di lavoro e dei parametri di processo mediante opportuni set di sensori e adattività alle derive di processo rappresenta uno dei requisiti di cui deve disporre il bene, e la manutenzione predittiva insieme all’AI risponde pienamente a tale richiesta, in quanto il sistema è in grado di identificare lo stato reale dei diversi componenti, intervenendo tempestivamente qualora richiesto anticipando l’insorgere di anomalie o guasti critici.

In aggiunta, anche il requisito della telediagnosi verrebbe automaticamente soddisfatto, in quanto la circolare 4E del 30 marzo 2017 cita testualmente “Sistemi di telediagnosi: sistemi che in automatico consentono la diagnosi sullo stato di salute di alcuni componenti della macchina/impianto”. Sembra quasi che questo punto sia stato scritto con riferimento al connubio manutenzione predittiva-AI.

Oltre a questo, corsi di formazione propedeutici all’apprendimento delle tecniche di intelligenza erogati al personale aziendale posso beneficiare del credito d’imposta formazione 4.0.

Si capisce quindi come l’espressione “i dati sono il petrolio del XXI secolo” trovi all’interno del cappello della Transizione 4.0 degna dimora per supportare la competitività delle aziende.

Andrea Titi
Innovation Consultant Manager – Leyton Italia