Micro e piccole imprese manifatturiere …. Manutenzione predittiva, perché è vitale per le fabbriche manifatturiere 4.0. Nel contesto del settore manifatturiero 4.0 un guasto a un macchinario non può più essere considerato imprevedibile ….
Manutenzione predittiva, perché è vitale per
le fabbriche manifatturiere 4.0
di ANTONIO FRISOLI
Nel contesto del settore manifatturiero 4.0 un guasto a un macchinario
non può più essere considerato imprevedibile: la manutenzione
predittiva è indispensabile per ridurre tali situazioni e garantire la
continuità operativa delle fabbriche
Il settore manifatturiero odierno richiede così elevati standard di efficienza,
produttività e qualità che un guasto ad un macchinario di produzione non può
più considerarsi una evenienza imprevedibile. Tutto ciò rende necessaria
l’adozione di pratiche che consentano di ridurre al minimo l’insorgenza di
guasti e la riduzione dei tempi di fermo macchina. In tale contesto, uno degli
impatti più importanti della rivoluzione industriale 4.0 è stato sicuramente
l’avvento della manutenzione predittiva.
Il ruolo della manutenzione predittiva
Questa rappresenta infatti un processo fondamentale per garantire l’efficienza
ed uno standard elevato di sicurezza nei processi di produzione e non solo. Si
stima che l’impatto della manutenzione rappresenta un totale dal 15 al 60%
dei costi totali di esercizio di tutta la produzione (Haarman, Mulders et al.
2017). Inoltre in alcuni settori, come ad esempio in quello dei trasporti, il livello
di sicurezza ed efficienza è collegato direttamente anche alla sicurezza degli
utenti del servizio, in questo caso i viaggiatori.
I dati raccolti dai molteplici sensori nei processi dell’Industria 4.0 (in Italia
supportati dal Piano Transizione 4.0) offrono nuove opportunità per soluzioni
di previsione della vita residua di un asset strategico, quali un impianto o un
macchinario. Tra gli approcci innovativi, il più interessante è rappresentato
dalla manutenzione predittiva, la quale trae vantaggio dai progressi notevoli
nella sensoristica avanzata e nell’IoT (Internet of Things) che consente di
monitorare in tempo reale parametri critici in termini di variabili fisiche
misurate collegate al funzionamento di un apparato, di un processo o di un
macchinario. In generale possiamo classificare quattro principali approcci alla
manutenzione.
Manutenzione 4.0, gli approcci
L’approccio minimale alla manutenzione è costituito dalla cosiddetta
Manutenzione Reattiva, nota anche come manutenzione correttiva o
manutenzione non pianificata. È la più semplice tra le tecniche di
manutenzione che viene eseguita solo quando la macchina presenta già un
guasto. Può portare a tempi di fermo delle apparecchiature elevati e un alto
rischio di guasti secondari e quindi creare un numero molto elevato di prodotti
difettosi o ad un rallentamento della produzione.
Infografica che mostra il livello di affidabilità associato ai diversi modelli di
manutenzione, adattata da Çınar, Abdussalam Nuhu et al. 2020
L’approccio più classico e fin ad ora più diffuso alla manutenzione è la
Manutenzione Programmata. In questo caso la manutenzione viene eseguita
periodicamente sulla base di un programma pianificato al fine di anticipare i
guasti, tipicamente sulla base di un criterio cronologico o di percorrenza con
interventi specifici di revisione delle componenti di un apparato o di un
macchinario. L’esempio più classico è il tagliando di un autoveicolo, dove si
interviene con la sostituzione di parti soggetti ad usura o degradazione, quali
l’olio motore, il filtro dell’aria o le pasticche dei freni, eseguito sulla base di un
calendario programmato che dipende dal tempo trascorso o dai chilometri
percorsi dall’ultimo tagliando. Questo tipo di manutenzione può però portare in
generale a sostituzioni di parti non necessarie che aumentano i costi operativi
e inoltre non è in grado di monitorare e soprattutto di prevedere l’insorgenza di
guasti al di fuori dell’intervallo di osservazione programmato.
Esistono oggi due altre tecniche avanzate di manutenzione che possono fare
uso dei dati disponibili dai sensori presenti a bordo macchina, la
manutenzione su condizione e la manutenzione predittiva. La Manutenzione
su condizione (CBM Condition-Based Maintenance) si basa su un
monitoraggio costante di macchine o apparecchiature o del loro stato di salute
attraverso una rete di sensori presenti sulla macchina. Le azioni di
manutenzione possono essere intraprese dopo che una o più condizioni di
degrado siano rese evidenti dall’alterazione dei parametri monitorati.
Infine, la Manutenzione Predittiva (PdM PreDictive Maintenance) si basa sul
monitoraggio continuo del processo o della macchina, facendo uso di
strumenti di previsione basati su modelli o metodi di apprendimento
automatico, fattori di integrità (come aspetti visivi, colorazione diversa
dall’originale, usura), approcci di inferenza statistica e tecniche di ingegneria.
Questo consente di misurare quando si renderanno necessarie le azioni di
manutenzione, quindi in questo caso la manutenzione può essere
programmata anticipatamente. Inoltre, consente il rilevamento dei guasti in
una fase iniziale sulla base dei dati storici e di anticipare quindi l’insorgenza
della condizione di guasto.
Come funziona la manutenzione predittiva
Ciò richiede che i diversi macchinari o i processi siano interconnessi e dotati
di una rete di sensori avanzati in grado di monitorare i parametri critici e
trasmetterli in cloud ad un sistema di “data analytics”. Il sistema di “data
analytics” basandosi su modelli di calcolo, quale il digital twin, ovvero la
replica digitale della macchina o del processo, che in presenza di grandi
quantità di dati può fare uso di algoritmi di machine learning e di Intelligenza
Artificiale, è in grado di generare predizioni sempre più affidabili sul rischio di
insorgenza di eventuali guasti.
La manutenzione predittiva all’interno di un processo/macchina 4.0, adattato
da Dalzochio, Kunst et al. 2020
Questa informazione elaborata dagli algoritmi predittivi integrata con le
procedure di manutenzione consente di programmare in modo anticipato gli
interventi correttivi necessari per prevenire l’insorgenza di un guasto. I modelli
predittivi sono in genere modelli basati sui dati che richiedono una varietà di
flussi di dati forniti da più origini sia in tempo reale sia offline. Il cuore del
sistema della PdM è proprio il sistema cyberfisico (cyberphysical system),
ovvero l’unione del modello fisico della macchina con il suo gemello digitale.
Il mercato della manutenzione predittiva
Il mercato della manutenzione predittiva è in continua espansione e
consolidamento. Se nel 2016, il mercato globale della manutenzione predittiva
(hardware, software e servizi) era stato valutato 1,5 miliardi di dollari,
notevolmente inferiore rispetto al mercato della manutenzione su condizione,
nel 2021 IOT Analytics stima che il mercato della manutenzione predittiva sia
di 6.9 milioni di dollari [1], con un incremento guidato proprio dai progressi
nelle tecnologie trainanti di sensoristica avanzata, data science ed AI.
Se fino ad ora infatti il paradigma di manutenzione dominante era la
manutenzione programmata piuttosto che predittiva e basato sulle condizioni
effettive delle apparecchiature, oggi è in corso sempre più la virata verso
l’adozione di tecniche di manutenzione predittiva. Anche il numero di operatori
in grado di offrire o sviluppare soluzioni di manutenzione predittiva è cresciuto
notevolmente, con i principali operatori industriali in grado di offrire nuove
soluzioni ad hoc.
Esempi aziendali
Ad esempio ABB con l’acquisizione recente di Cassantec mette a
disposizione una piattaforma in grado di effettuare una prognostica molto
potente, in grado di prevedere fino al 99% dei malfunzionamenti di
macchinari, mentre Cisco ha messo a punto architetture di AI e machine
learning specifiche in grado di supportare le attività di manutenzione
predittiva. In Italia tra le aziende che operano in infrastrutture e che hanno
condotto esperienze significative, possiamo ricordare l’esperienza di Trenitalia
[2] che ha avviato il progetto Dynamic Maintenance Management System per
una manutenzione dinamica dei treni, attraverso il combinato di IOT e data.
Quando conviene applicate la manutenzione predittiva
Valutare il ROI di un investimento in manutenzione predittiva dipende
chiaramente dal processo produttivo in questione. Oltre alla riduzione dei
guasti imprevisti e dei tempi di fermo macchina, va anche tenuto in conto
l’aumento della qualità della produzione, della sicurezza die lavoratori nonché
una miglioramento generale della produttività, per cui il beneficio introdotto
dall’adozione di politiche di manutenzione predittiva può essere
sostanzialmente molto alto.
Prima di applicare il PdM, è necessario considerare quanto sia critico il
processo nel contesto del suo funzionamento. Ad esempio, se il fermo
macchina o di un processo produttivo non ha alcun impatto sul funzionamento
dell’impianto, una strategia può essere quella di farlo funzionare fino al guasto
e ripararlo quando si verifica il guasto. Parte del processo produttivo può
essere critica. In questo caso, un guasto potrebbe comportare un impatto
significativo sul funzionamento dell’impianto. In tal caso, le aziende
dovrebbero prendere in considerazione l’utilizzo di modelli predittivi in grado di
fornire un’indicazione precoce di qualsiasi potenziale anomalia. Un approccio
alternativo è quello di utilizzare apparecchiature ridondanti che funzionano in
caso di guasto dell’hardware principale, consentendo di mantenere le
operazioni in esecuzione mentre si ripristina l’unità problematica. In questo
caso si riduce la criticità eliminando il “single point of failure” (Dalzochio, Kunst
et al. 2020).
Bibliografia
Çınar, Z. M., A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael and B. J. S.
Safaei (2020). “Machine learning in predictive maintenance towards sustainable
smart manufacturing in industry 4.0.” 12(19): 8211.
Dalzochio, J., R. Kunst, E. Pignaton, A. Binotto, S. Sanyal, J. Favilla and J. J. C. i. I.
Barbosa (2020). “Machine learning and reasoning for predictive maintenance in
Industry 4.0: Current status and challenges.” 123: 103298.
Haarman, M., M. Mulders, C. J. P. Vassiliadis and Mainnovation (2017). “Predictive
maintenance 4.0: predict the unpredictable.”
Zonta, T., C. A. da Costa, R. da Rosa Righi, M. J. de Lima, E. S. da Trindade, G. P.
J. C. Li and I. Engineering (2020). “Predictive maintenance in the Industry 4.0: A
systematic literature review.” 106889.
di Antonio Frisoli_docente di robotica presso la Scuola Superiore Sant’Anna,
docente di robotica presso la Scuola Superiore Sant’Anna
FONTE – AGENDA DIGITALE
