Internet delle cose (IoT), Intelligenza Artificiale (AI) e manutenzione predittiva: i nuovi, grandi pilastri di una rivoluzione industriale già in atto
Quando si parla di manutenzione predittiva quasi sempre ci si riferisce all'ambito dell'edilizia, del settore automobilistico, dei macchinari, ma nel tempo è divenuta sempre più importante anche nel mondo dei servizi e degli strumenti informatici.
È spesso confusa con la manutenzione preventiva: al contrario di quest’ultima, la variante predittiva della manutenzione fa ricorso a strumenti sempre più sofisticati per la raccolta e per l'analisi dei dati e il suo mercato, secondo molte ricerche condotte in ambito industriale da player come IBM, Microsoft e SAP, sta letteralmente esplodendo.
Le ultime stime parlano di una crescita complessiva che, dai circa 1,5 miliardi di dollari nel 2016 è arrivato a quasi 7 miliardi alla fine dello scorso anno, e raggiungerà i 28 miliardi di dollari nel 2026.
La manutenzione predittiva, in inglese predictive maintenance, si basa sull'osservazione continua dei dati (in gran parte attraverso quelli raccolti da sensori) e sulla loro analisi (utilizzando la probabilità matematica e strumenti statistici) per verificare lo stato di usura degli impianti e quindi prevedere l’eventualità di un intervento di manutenzione per qualsiasi componente o parte del sistema.
La manutenzione preventiva, chiamata anche on condition maintenance, fa, invece, riferimento a un tipo di manutenzione proattiva che include regolazioni, pulizia, lubrificazione, riparazioni e, in caso, sostituzioni. Il suo scopo è quello di mantenere le risorse aziendali in buono stato, ridurre i tempi di fermo non programmati e contenere le riparazioni che possono incidere sui ritmi di produzione industriale.
La manutenzione preventiva, in ultima analisi, può essere paragonata a un controllo fisico regolare effettuato in un determinato intervallo di tempo. I tecnici eseguono queste attività di manutenzione quando tutto funziona ancora senza intoppi per prevenire guasti futuri o problemi derivanti dalla manutenzione di emergenza.
La manutenzione predittiva, viceversa, è un tipo di manutenzione basata sull'utilizzo di dispositivi di rilevamento. Questi sensori forniscono dati in tempo reale che devono essere poi interpretati. Se i tecnici scoprono che una particolare apparecchiatura funziona improvvisamente al di fuori dei parametri normali, attivano un protocollo per programmare comodamente una riparazione o prevenire guasti futuri.
Secondo molti esperti informatici oggi si producono più dati di quanti se ne possono memorizzare in computer convenzionali e quindi la sfida tecnologica di chi vuole avvantaggiarsi di un certo tipo di Predictive Analysis per migliorare continuamente i propri processi produttivi è connessa al problema di come gestirli. Ecco cosa si può fare con grosse serie di dati:
Designer e analisti di tutto il mondo lavorano per creare nuovi modi per mettere a disposizione le informazioni derivanti dai dati in azienda.
Software e dati, quindi. Gli imprenditori capiscono che le risposte alle loro domande sono nei dati ma la gestione dei Big Data attraverso strumenti informatici ad hoc è sempre secondaria rispetto alle esigenze di business.
Le informazioni necessarie a prendere decisioni strategiche si basano spesso solo su una parte piccola dei dati. Ecco perché vale la pena cambiare la prospettiva e focalizzarsi sui Good Data: i dati utili a fare analisi e prendere decisioni in accordo con i risultati ottenuti. Come trovarli tra tanti?
Ecco un esempio degli step che segue chi fa ricorso a manutenzione predittiva:
Il sistema di controllo avvisa quando una parte è danneggiata o la temperatura ha raggiunto un punto specifico e potrebbe surriscaldarsi presto. I sensori implementati nell'apparecchiatura possono verificare le condizioni impostate e attivare ordini di lavoro quando vengono superati limiti specifici attraverso procedure automatiche Machine to Machine (M2M). L'informatica supporta gli operatori a entrare in questo ciclo.
Per “sfogliare” l’albero di tutti i dati raccolti, tralasciare quelli improduttivi, spesso per approssimazioni successive, l'analisi predittiva aggrega dati ambientali, di processo, delle risorse e utilizza l'intelligenza artificiale e l'apprendimento automatico. È sempre più difficile per l'uomo gestire con accuratezza e senza applicazioni questa grossa mole di numeri.
Gli indicatori chiave di prestazione (KPI) che incidono sulla produzione sono molti e in continuo aggiornamento. Il tempo medio tra i guasti (MTBF) o il tempo medio di riparazione (MTTR), tra le tante metriche, possono essere calcolati automaticamente dal sistema e rispediti alle dashboard di reporting.
Grazie ad algoritmi di rilevamento si possono identificare, infine, i guasti precoci, avvisare per tempo i tecnici dell'assistenza o persino, questa la prossima frontiera dei programmi di Enterprise Asset Management (EAM), di inviare raccomandazioni di riparazione automatiche.