Il ruolo della manutenzione predittiva grazie all’intelligenza artificiale nell’Industria 4.0
L’avvento dell’Industry 4.0 con la possibilità di acquisire grandi quantità di dati e poterli poi analizzare sta cambiando completamente l’approccio della manutenzione delle macchine e degli impianti industriali.
Il paradigma di oggi è “manutenzione predittiva” che va ben oltre il concetto di manutenzione preventiva. A differenza di quest’ultima, i vantaggi e le applicazioni della manutenzione predittiva consentono un notevole risparmio sui costi (pezzi cambiati solo quando effettivamente vi è la necessità) e garantiscono molti meno fermi macchina (la manutenzione preventiva è basata sulla statistica, ossia sul tempo medio di rottura di un pezzo che è ovviamente molto variabile).
Nell’aeronautica la manutenzione preventiva è ancora quella che la fa da padrone: in un articolo di una rivista specializzata si diceva che con tutti i pezzi cambiati (ma ancora funzionanti) si sarebbero potuti riparare una quantità di aerei almeno pari a quelli esistenti: questa frase dà una chiara indicazione sullo spreco di risorse e su quali vantaggi porterebbero le applicazioni di manutenzione predittiva.
Cosa significa manutenzione predittiva?
Non è facile intuire il concetto di manutenzione predittiva; il paragone, forse, più calzante è quello con le previsioni del tempo: ad oggi, la possibilità di sbagliare le previsioni meteo è di gran lunga inferiore rispetto al passato poiché le previsioni sono basate su modelli matematici precisi con bassa percentuale d’errore, essendo stati verificati migliaia o addirittura milioni di volte.
Allo stesso modo anche il comportamento di una macchina o di un impianto è soggetto a modelli matematici il cui andamento nel tempo può identificare o meno la presenza di un problema sull’impianto stesso.
La difficoltà dei “data analyst” oggi consiste proprio nel riuscire a costruire questi modelli e a identificare le variazioni oltre le quali il comportamento non è più regolare e può portare a rotture che necessitano interventi di manutenzione e ricambi. Mentre i modelli matematici che governano la climatologia variano in base alla zona geografica, e quindi la loro numerosità non è infinita, le macchine hanno comportamenti sempre molto variabili in funzione di numerose caratteristiche: per esempio, del fluido che viene spinto o degli sforzi a cui sono soggette, tutti fattori che rendono molto più complicata la definizione di modelli affidabili e attendibili.
Manutenzione predittiva e machine learning (o intelligenza artificiale): lo stato dell’arte
A questo punto ci viene in aiuto l’intelligenza artificiale (machine learning) che con la sua capacità di elaborazione riesce più rapidamente a individuare un possibile risultato. Tuttavia, anche potendo contare su potenti calcolatori in grado di gestire la manutenzione predittiva attraverso il machine learning, è comunque necessario disporre di una considerevole quantità di dati da analizzare e di una sufficiente quantità di tempo per svolgere l’elaborazione stessa affinché gli algoritmi e i modelli generati siano effettivamente validi come soluzioni.
In questo momento storico, la manutenzione predittiva è ancora alle prime fasi, ossia di raccolta e analisi dei dati: la reale manutenzione predittiva dell’Industria 4.0 ha ancora molta strada da percorrere, anche se si tratta di un processo in evoluzione rapida e costante.
Per poter superare questo primo periodo di transizione, migliorando comunque i servizi forniti dai costruttori di macchine e impianti, Sygest ha studiato una soluzione che ha applicato al proprio prodotto MdM (Machine-driven Maintenance) all’interno del quale viene gestita una Manutenzione Preventiva “Mirata” richiamata dalla macchina stessa.
Nelle macchine e negli impianti industriali, diversamente dalla manutenzione predittiva che coinvolge l’intelligenza artificiale, la manutenzione preventiva riguarda, a determinati intervalli, tutta la macchina. Si considera il tempo in cui la macchina è stata in funzione (3.000 ore o 6.000 ore o 9.000 ore o numero di operazioni eseguite) e allo scadere di quegli intervalli si identifica un quantitativo di pezzi da sostituire. L’inconveniente, con questo tipo di manutenzione, è che i pezzi che vengono sostituiti sono spesso ancora funzionanti. Questo, sommato al numero di pezzi da sostituire, contribuisce a far crescere i costi di manutenzione, aumentando lo spreco di risorse sia dal punto di vista monetario, sia dal punto di vista dell’eliminazione di pezzi ancora in condizioni ottimali, influendo sui costi dell’intero processo produttivo.
Aspettando la manutenzione predittiva: MdM, la soluzione Sygest
Sygest in MdM propone di definire una soglia limite di operazioni per ognuno degli apparati soggetti a usura: il numero di movimenti per un attuatore, il numero di volte in cui un motore è stato avviato o il numero di ore complessivo in cui lo stesso motore ha lavorato. Identificando correttamente (anche se in modo statistico) queste soglie, i pezzi vengono cambiati in quantità decisamente inferiore, perché se una parte di macchina ha lavorato di meno, vi sarà un minor numero di operazioni e quindi frequenze diverse di sostituzione.
Così come nella manutenzione predittiva, anche in questo caso la difficoltà sta nel trovare le “soglie limite” corrette da applicare: si tratta, comunque, di un ordine di difficoltà decisamente più basso poiché è sufficiente identificare un valore e non formulare un complesso modello matematico.
Tuttavia questi valori non sono identificati ex novo, ma riprendono i concetti tradizionali di “MTBF” (Minimum Time Between Failure) che sono considerati ormai parte del patrimonio di conoscenze aziendali. In questo caso vanno applicati non a tutto il tempo di funzionamento della macchina, ma solo ai periodi in cui il componente è effettivamente attivo.
MdM raccoglie i dati dalla macchina, li confronta con le soglie definite per ciascuno di esso e permette di attivare una gestione della manutenzione preventiva molto calibrata, abbassando i costi e segnalando preventivamente la necessità di un intervento, garantendo quindi una migliore pianificazione dei fermi macchina.
Ma i punti di forza di MdM non si limitano all’efficientamento della manutenzione preventiva: sfruttando la lunga esperienza di Sygest nell’ambito della gestione dei cataloghi ricambi interattivi, MdM unisce la gestione della manutenzione alla visione 3D della macchina e, a fronte del problema rilevato su un determinato particolare o gruppo, in modo interattivo, rende disponibile sul modello 3D il punto dell’intervento e la documentazione associata. In altre parole MdM permette alla macchina stessa, direttamente sul pannello operatore, di suggerire e mostrare gli interventi necessari per effettuare la manutenzione.
MdM rappresenta quindi un’assoluta novità nel panorama della gestione della manutenzione perché integra fra loro nuove e vecchie tecnologie: acquisizione e analisi dei dati, visualizzazione e documentazione interattiva per una manutenzione sempre più semplice e un servizio di assoluto valore fornito dal costruttore ai propri clienti.
Info e contatti
Per ricevere ulteriori informazioni e approfondimenti sul tema trattato, ti invitiamo a scrivere all’indirizzo e.corradini@sygest.it.
Visita il nostro sito web www.sygest.com.