Manutenzione predittiva: cos’è e come può rendere ogni industria più efficiente

Quando si parla di manutenzione predittiva si fa riferimento a una metodologia che si applica a industrie diverse, ma tutte accomunate dalla necessità di rendere i propri processi fluidi e al contempo meno onerosi: in una parola, più efficienti.

Per cominciare a comprenderla occorre capire quali sono gli elementi e i passaggi fondamentali che la compongono. 

Anomaly Identification, osservare il presente per arrivare alla predizione: esempi e metodologie

La prima fase, essenziale, per giungere alla manutenzione predittiva è l’osservazione dei fenomeni reali, presenti, mentre avvengono. 

L’Anomaly Identification è un buon punto di partenza perché permette di riconoscere nel modo più puntuale e preciso possibile le anomalie che hanno già avuto luogo o che stanno accadendo mentre si conduce l’analisi. 

Per esempio, per il settore automotive, e nel caso più specifico della verniciatura delle auto,  il controllo qualità viene effettuato attraverso diversi sistemi di visione, quali telecamere o direttamente tramite l’occhio umano dell’operatore, che spesso non sono in grado di rilevare tutte le anomalie in tempo reale. 

Un sistema data-driven, con tecnologia computer vision, in grado di combinare controllo ottico con scansione 3D per analizzare le immagini o le spettrometrie relative ad ogni auto, aiuta a identificare eventuali anomalie più velocemente e più accuratamente.

Quando si riesce ad analizzare un fenomeno con un tale grado di accuratezza a livello numerico, si comprende come, cambiando uno specifico elemento, tutti gli altri cambino di conseguenza. Questo è il primo passo verso una vera e propria previsione dell’anomalia.

Nowcasting, predire il presente: un esempio nel settore gas

In questo senso una metodologia efficace di Anomaly Identification è il cosiddetto Nowcasting, ovvero la previsione del presente. In pratica, si osserva il fenomeno con tutte le sue variabili relazionate tra di loro e si stabilisce uno scenario ottimale secondo cui, al variare di determinate variabili, si otterranno determinati valori dalle altre variabili. In questo modo è possibile prevedere come si comportano le variabili che non si riescono a monitorare. 

Si mette in atto un sistema che confronta i valori reali – ottenuti monitorando il processo con strumenti dedicati alla rilevazione – con i valori attesi, ossia quelli che dovrebbero risultare secondo la previsione di quel processo specifico in un dato momento. 

Quando queste due grandezze si discostano oltre una certa soglia, vanno interpretate come un’anomalia, un segnale di allarme. C’è dunque un problema che non si sarebbe potuto rilevare senza questo approccio, e di cui invece ora siamo consapevoli. 

Se una ricorrenza frequente di questi scostamenti è prodromica a un malfunzionamento, un probabile guasto, è proprio la somma di queste variabili a fornire informazioni importanti su cosa esattamente rischia di compromettere il sistema. 

Per esempio, nell’ambito della rilevazione dei gas esistono dei contatori che rilevano quanto gas passa dalla rete al sistema privato di riscaldamento domestico: contatori elettronici e connessi, in grado di misurare il gas in ingresso. In base a queste informazioni il gestore del contatore comunica alla società di vendita di gas quanto gas è stato effettivamente consumato, in modo da emettere la fattura. 

Ma cosa succede quando i meter vanno in tilt? Viene mandato un dato alla società di vendita del gas, e questa produce una fattura molto più alta di quelli che sono gli effettivi consumi: tutto ciò si traduce in un costo molto rilevante alla fine dell’anno.

In questo senso, come fa la società di vendita del gas a effettuare una valutazione sui contatori rotti e programmare le visite di accertamento e successivamente procedere con le sostituzioni prioritizzando gli interventi più urgenti?

Considerati i diversi punti di consegna che rendono difficile un’analisi manuale in contemporanea, vengono effettuate delle analisi sui comportamenti e consumi di determinate classi di utenti divisi per zona geografica, ceto del nucleo familiare, tipologia di immobili e per dati esogeni (come ad esempio il meteo), etc.

In questo modo, i consumatori vengono clusterizzati e inseriti in una determinata classe di riferimento, al fine di identificare un’ipotetica anomalia attraverso la previsione che emerge dall’incrocio di questi dati. 

Anomaly Identification e manutenzione predittiva nella produzione di energia eolica

Quindi l’Anomaly Identification è, di fatto, una fotografia precisa di una data situazione, e l’anomalia viene scoperta tempestivamente confrontando i dati ottenuti dalla strumentazione in uso e quelli della previsione del presente (nowcasting), controllando se queste due grandezze si discostano o meno.

Un altro esempio di manutenzione predittiva è riscontrabile nel settore della produzione di energia eolica, a cui si applica un tipo di previsione diversa, che si proietta nel futuro.

In questo caso, c’è un sistema che traccia i malfunzionamento nella generazione eolica; rilevando tutte le avarie che hanno coinvolto i vari elementi della turbina, o episodi di default degli inverter e delle stringhe dell’impianto idraulico, si crea uno storico dei guasti. 

Le informazioni di ciò che accade all’interno del macchinario, raccolte a livello numerico dai CMS e dai data logger, sono messe in relazione tra di loro, confrontando il comportamento della macchina con lo specifico guasto in questione. Questo aiuta ad identificare dei pattern, ossia a capire quali schemi di “azione e reazione” ripetuti portino a un malfunzionamento, per poterlo prevenire in tempo. 

Si tratta, quindi, di una previsione futura basata sull’osservazione dei set di dati storici, ma che si limita a descrivere “cosa potrebbe succedere all’interno del macchinario”. Per capire quali azioni intraprendere occorre fare un passo ulteriore, quello della manutenzione prescrittiva. 

Dalla Manutenzione Predittiva alla Manutenzione Prescrittiva

Per svolgere questo tipo di manutenzione si procede in due modi diversi, a seconda dei casi.

Una volta rilevati determinati fenomeni che segnalano la possibilità di guasto a uno specifico componente entro un certo lasso di tempo, il sistema può prescrivere

• un intervento di manutenzione straordinaria o una sostituzione del componente;
• un piano di manutenzione ordinaria mirata.

Qui entra in gioco un fattore cruciale: quello dell’efficienza, inteso come punto di equilibrio tra business continuity e profittabilità.

In caso di sovra-manutenzione di un asset o sostituzione continua dei suoi componenti, il pezzo ovviamente non si romperebbe. Ma una strada simile costa e qualsiasi business deve sempre considerare due obiettivi: mantenere la propria produzione fluida e senza intoppi, ma anche evitare sprechi e contenere i costi. 

Cosa conviene fare, quindi?

L’efficienza di processo si ottiene quando quello che si spende per la manutenzione e la sostituzione di un componente è inferiore di quello che si perderebbe a causa della sua inattività e dei costi di riparazione. 

Predizione e prescrizione: un esempio nell’ambito dell’energia solare

Consideriamo il caso di un impianto fotovoltaico. Nell’ottica di mantenere l’impianto al suo massimo grado di efficienza, ci sono tre possibili scenari da considerare, con tre rispettivi malfunzionamenti che possono inibire la produzione di energia: 

• rottura dell’inverter;
• rottura del pannello; 
• pannello che si sporca e dunque cattura meno irraggiamento perché le celle sono oscurate da polvere/fango etc.

Prendiamo come esempio il terzo scenario: ogni quanto occorre pulire i pannelli?

Una possibile strategia è quella di monitorare costantemente, attraverso dei controlli periodici, e nel momento in cui si rileva più sporco del dovuto, si chiama la società di pulizie o si affida il lavoro al tecnico in azienda.

Il fatto è che non sempre è possibile accedere a queste rilevazioni in maniera diretta, e quindi conviene ottenere specifiche informazioni dal sistema, che permettano di evidenziare quando un calo di performance è potenzialmente dovuto alla sporcizia sul pannello. 

Il passo successivo è quello di prevedere cosa potrebbe succedere in futuro per dare un altro ordine di programmazione agli interventi di pulizia, per esempio considerando il fattore meteorologico, che influisce notevolmente.

In questo senso la manutenzione prescrittiva può essere fatta in due modi:

• fornendo una regola diversa e più mirata per calendarizzare gli interventi;
• attraverso previsioni che generano un trigger per attivare specifiche attività straordinarie affinché migliori la performance di sistema. 

Quindi, attraverso la descrizione di un fenomeno è possibile fare delle previsioni, che sono alla base delle successive prescrizioni, in un flusso che considera tutte le variabili citate.

In questo senso l’analisi di rischio è un pezzo di analisi descrittiva: ovvero la valutazione più corretta per i cosiddetti rischi rilevanti di un asset (parliamo di rischi ambientali, rischi di salute come sicurezza del lavoratore e del contesto circostante).

L’obiettivo di fondo è quello di ottimizzare il rapporto costo/opportunità di effettuare per tempo una manutenzione sul macchinario, attraverso una previsione sui possibili malfunzionamenti, piuttosto che sostituire tutti i pezzi con maggior frequenza. 

Ci sono infatti delle circostanze, spesso legate a vincoli di budget, in cui non è possibile fare valutazioni leggere sugli interventi necessari, ma è necessario effettuare previsioni specifiche sulla base delle quali prescrivere la manutenzione straordinaria. 

In questo modo è possibile giungere a decisioni più informate, migliorando i processi industriali in ottica di efficienza.