Vantaggi competitivi: software di Manutenzione Predittiva – Parte 2

Obiettivo dell’articolo

Obiettivo di questo secondo articolo sul software di Manutenzione Predittiva è comprenderne l’efficienza attraverso il confronto con l’evoluzione del concetto di Manutenzione a partire dalla sua genesi fino ai nostri giorni.

Tradizionalmente la manutenzione è realizzata con metodologie reattive, il metodo più costoso. Quando gli operatori percepiscono l’esistenza di un problema, reagiscono richiedendo un intervento di manutenzione e la mancata programmazione dell’intervento comporta un incremento dei costi diretti ed indiretti dovuti al fermo impianto indesiderato.

Software di Manutenzione preventiva

La manutenzione preventiva pur rappresentano un passo in avanti rispetto alla manutenzione reattiva è comunque un approccio dispendioso in termini di tempo e risorse; gli interventi sono programmati in base ad una storia statistica che può differire in maniera significativa rispetto alle esigenze specifiche aziendali, comportando nel migliore dei casi interventi prematuri e non richiesti e nei casi peggiori interventi in ritardo rispetto al necessario col rischio di danni economici, qualitativi ed addirittura potendo anche mettere a repentaglio la sicurezza degli operatori.

Reality-Based-Maintenance

Un metodo più efficiente è quello proposto con il modello RBM (Reliability-Based-Maintenance): un metodo che prevede l’assegnazione di un livello di priorità a ciascun impianto in funzione della sua criticità. Gli impianti prioritari sono soggetti a manutenzione al fine di massimizzarne l’affidabilità, mentre altre componenti del sistema produttivo ritenute secondarie non sono soggette alla stessa frequenza di interventi.

Grazie alle informazioni raccolte sull’effettivo stato di salute delle macchine, il personale può determinare con un buon grado di accuratezza, quando ogni singola pompa, valvola o cuscinetto necessiterà del prossimo intervento manutentivo.

Il concetto generale è quello di intervenire sugli impianti al momento giusto al fine di minimizzarne il deterioramento fisico e di prevenirne guasti inaspettati mantenendo livelli prestazionali accettabili il più a lungo possibile.

Know-how del personale aziendale

Questa metodologia si basa pertanto in maniera significativa sul know-how aziendale acquisito dagli operatori, tuttavia confidando sui dati raccolti dall’operatore per gestire gli interventi rischia di essere limitato solamente ad alcuni fenomeni non sfruttando le potenzialità rese disponibili dalle attuali tecnologie di analisi e raccolta dati.

Gli investimenti in tecnologia destinati alla raccolta dei dati sono spesso effettuati senza fornire al personale un training adeguato affinché accetti gli input provenienti dai nuovi sistemi ed adotti le nuove routine di lavoro. Ciò significa che senza una riorganizzazione delle procedure manutentive non si realizzano i benefici resi possibili dai sistemi diagnostici più avanzati.

Manutenzione predittiva

Un software di manutenzione predittiva costituisce, infatti, un ulteriore stadio di avanzamento nell’analisi e ottimizzazione degli interventi sugli impianti in quanto sfrutta le enormi quantità di dati rilevabili e registrate dalle macchine nello svolgimento dei processi produttivi per identificare eventuali pattern significativi che mi consentano di intervenire prima che si verifichi il guasto e in maniera differente ed ottimizzata per ogni impianto, processo o prodotto in lavorazione.

L’analisi può addirittura coinvolgere anche database esterni che incrociati con le adeguate tecniche con i dati aziendali possono rilevare problematiche esogene all’azienda prima che queste possano cagionare dei danni.

Schema base della Manutenzione Predittiva

• misura di grandezze fisiche in tempo reale
• stima di parametri misurabili (o non misurabili) al tempo t+dt
• identificazione dello stato del sistema considerato anomalia o di guasto
• pianificazione delle attività preventive e correttive prima che il sistema giunga alla condizione critica.

Esempi di manutenzione predittiva

• le vibrazioni di una macchina possono segnalare degrado dei cuscinetti o deformazione di particolari parti meccaniche.
• La temperatura di un motore e la sua corrente assorbita, possono indicare che l’attrito ed eventuali impuntamenti meccanici stanno degradando le caratteristiche funzionali dello stesso
• la misura di particelle in un lubrificante segnalano il degrado di parti a contatto che si strofinano. Con opportuni sensori si può misurare la composizione dell’olio lubrificante e verificare la salute della macchina.

smeup e il software di Manutenzione Predittiva

Nella nostra esperienza abbiamo affrontato interventi di analisi manutentiva predittiva normalizzando con tecniche specifiche i database delle informazioni rilevati dagli impianti, e utilizzando il software R, (potente programma free e open–source specifico per analisi statistiche) abbiamo costruito ed applicato diversi algoritmi di analisi al fine di identificare i pattern più significativi che consentano di ottimizzare gli interventi di manutenzione, riducendo al minimo il rischio di guasti e ottimizzando altresì le risorse produttive evitando interventi inutili, con ovvi incrementi produttivi e di redditività.

Una volta identificato l’algoritmo più performante abbiamo utilizzato Qlik, programma caratterizzato da elevatissima potenza di calcolo, per lanciare l’algoritmo selezionato su nuovi dati  provenienti dallo stesso flusso aziendale e per la realizzazione di report per il front- end user, quali ad esempio KPI  e grafici relativi alle variabili critiche da monitorare, prospetti inerenti le macchine e lo svilupparsi del processo produttivo con dashboard studiate ad hoc per il supporto dell’operatore.

Il progetto di analisi descritto viene realizzato in maniera unica per ogni specifica realtà aziendale in quanto risulta fondamentale per il successo dell’intervento che il processo di analisi dei dati, nonché l’addestramento dell’algoritmo sia controllato in ogni suo passaggio da figure professionali addestrate allo scopo e che oggi vengono identificate con il termine di  Data Scientist, operatori che con la propria esperienza e sensibilità multidisciplinare consentono di svolgere un importante ruolo di supporto nel permettere alle aziende di trarre valore dai dati raccolti al loro interno e che oggi più che mai costituiscono un elemento in grado di fornire significativi vantaggi competitivi sul mercato.

Per approfondire la prima parte relativa al software di manutenzione predittiva leggi qui: Sistema di manutenzione predittiva – parte 1

Per scoprire il ruolo strategico del Data Scientist leggi qui: L’esplosione delle Big Data Analytics e il Data Scientist – parte 1

Roberto Magni
Specialista ERP – smeup
My LinkedIn Profile