Le aziende accumulano dati anche quando fanno la manutenzione dei loro prodotti o servizi. Per cercare di ridurre i costi, ma anche di gestire in modo più efficiente il servizio, le aziende hanno cercato di trovare nuove strategie sulla manutenzione. Dall’occhio vigile del tecnico esperto si è passati a sistemi intelligenti che possono diagnosticare l’esigenza di un intervento di manutenzione, come la rottura di un pezzo o la qualità delle sostanze chimiche: si parla di manutenzione predittiva.
Le strategie di manutenzione erano legate a interventi per correggere il guasto oppure per un generico controllo, un po’ come quando si porta l’automobile a controllare l’olio, più per istinto che per consapevolezza che ce ne sia bisogno.
Le scelte erano legate a diversi parametri come:
- priorità del guasto
- tipologia di contratto e frequenza di controlli concordati
- Service level agreement
- interventi da remoto, programmati o no.
Indice degli argomenti
Cosa significa manutenzione predittiva
Si è quindi arrivati alla manutenzione preventiva, che poi non era altro che la programmazione di sessioni di controllo per verificare che non ci fossero rotture, cali di performance, logoramenti o perdite di qualità. Ma ormai, con l’economia data driven e le logiche di analisi dei Big data, siamo passati a un livello strategico completamente diverso.
Possiamo prevedere quando sarà necessario intervenire con una buona approssimazione. Non dovremo perciò fare manutenzione col rischio che non vi sia alcunché da manutenere, o intervenire quando ormai il fatto è accaduto. La manutenzione predittiva è un insieme di strategie e logiche che consentono, interpretando i dati, di identificare il tempo residuo prima del guasto.
Differenze tra manutenzione preventiva e predittiva
Non stiamo parlando della manutenzione preventiva, perché questa implica comunque un approccio non analitico o selettivo, ma solo sistematico e programmato. Per esempio, si può programmare un calendario di interventi di manutenzione indipendentemente dal fatto che le macchine ne abbiano bisogno. Certamente si può immaginare l’adozione di alcune regole che semplificano il processo, esempio non tornando su macchinari già riparati o controllati, ma di fatto si sta operando su un approccio a tappeto.
Al termine di ogni intervento, un tecnico realizza sempre una relazione, spesso in gergo “rapportino”. Per poter costruire un sistema di manutenzione predittiva bisogna organizzare correttamente i dati già esistenti.
Alcuni esempi
Nel 2008, la Columbia University elaborò i trouble tickets raccolti dal 1880 del sistema di manutenzione dei tombini della città di New York. Gli analisti della prestigiosa università statunitense si accorsero che un primo problema era la mancanza di uniformità della nomenclatura. Per esempio gli analisti si accorsero che le scatole di commutazione erano indicate con almeno 38 varianti, come SB, S, S/B, S?B, S BOX, SERV BX ecc…; si trattava di dati molto grezzi che avevano bisogno di essere normalizzati per consentire al sistema di analisi di comprendere di cosa si parlasse.
Partendo da 106 variabili il team di ricerca ridusse le variabili ad alcune decine che, testate sul campo, in particolare nel Bronx, dimostrarono che era possibile determinare quali tombini si sarebbero rotti o danneggiati, prima che questo accadesse.
Il sistema predittivo non può essere assoluto o sicuro. Anzi si basa su alcuni concetti specifici dei Big data che dobbiamo considerare. Prima di tutto, che non stiamo cercando le cause di un fenomeno, cioè non vogliamo sapere la causa della rottura di un tombino o di un macchinario, per determinare il quando accadrà; ma cerchiamo fattori presenti dai quali possiamo aspettarci la rottura di qualcosa, la necessità di fare un intervento di manutenzione. Spesso, infatti nella manutenzione ci occupiamo di eventi causati da vari fattori che influenzano la tenuta o la resistenza del macchinario.
L’esempio che stiamo usando ci porta a ragionare su vari elementi che fondano un sistema predittivo. Nel caso migliore abbiamo già dei dati, dovremo in questo modo organizzarli e strutturarli per analizzarli e ottenere dei modelli matematici che possano dirci quando ragionevolmente l’oggetto della manutenzione potrebbe averne bisogno.
Pensiamo ad esempio al manto stradale, vari parametri come dati atmosferici, circolazione automobilistica, caratteristiche chimico-fisiche del materiale, interventi di manutenzione aiuteranno a calcolare quando il deterioramento potrà essere tale da essere necessario un intervento di manutenzione.
Nel settore automobilistico, per esempio, è rilevante l’olio motore utilizzato, ma anche la qualità e la tipologia del carburante. Nel caso invece di assenza di dati, l’azienda dovrà lavorare su un progressivo raffinamento dei dati che vengono raccolti durante le sue attività.
Uno dei maggiori rischi è il mancato aggiornamento del modello matematico. Il cambio degli elementi che compongono il contesto può far variare il sistema predittivo. Pensiamo al lockdown che ha portato a una riduzione del traffico sulle strade; questo fenomeno ha sicuramente cambiato la necessità di manutenzione.
Manutenzione predittiva e machine learning: i vantaggi
L’approccio machine learning è quello tipico per costruire un sistema predittivo. Sarà lo stesso sistema a imparare dai dati e a migliorare costantemente. Ma bisogna anche considerare alcune criticità, come non immaginare un sistema di manutenzione predittiva come una lettura di tarocchi o la palla di vetro. Non ci aspettiamo che indovini quando sarà necessario intervenire, ma sappia indicare con un buon livello di approssimazione basata sui dati veri quando sarà più conveniente e necessario fare la manutenzione. Inoltre, a posteriori, quando si conosceranno le variabili che guidano il processo produttivo, queste sembreranno ovvie.
“Everything is obvious when you know the answer”, come sottolinea Duncan Watts.
Quali sono i settori dove è maggiormente possibile applicare la manutenzione predittiva in modo efficace? Sicuramente in settori dove esistono dataset così ampi da poter costruire modelli supportati da ambienti o contesti dove si possano controllare i fattori che possono agire sulla qualità e lo stato dei materiali o dei macchinari. La letteratura di settore identifica alcune macro-aree, come il sistema ferroviario, la produzione industriale e il petrolchimico. Inoltre, vista l’importanza dei dati, settori come quello industriale consentono di introdurre tecnologie come l’Internet of things che non permettono di raccogliere semplici dati, ma soprattutto dati contestualizzati e questo arricchisce il valore del dato.
Perché adottarla
Sono due i fattori principali che spingono ad adottare la manutenzione predittiva: cost saving e riduzione dei downtime. Organizzare correttamente i cicli di manutenzione può impattare anche sulla gestione delle materie prime e i pezzi di ricambio. Poter programmare la quantità e la tipologia di interventi di manutenzione, consente di sapere in modo ragionevole cosa serve per gestire il processo. Si dovrebbero perciò ridurre lo stoccaggio inutile o improduttivo, quindi anche i costi di magazzino e la gestione dello stesso.
Il downtime ridotto può avvenire solo se si può identificare il tempo residuo prima del guasto, in questo modo probabilmente non ci sarà il guasto e quindi l’interruzione del ciclo produttivo.
Potremmo estendere il discorso ad altri ragionamenti sull’applicazione della realtà aumentata o simulata per creare modelli tridimensionali che simulino il possibile guasto. L’industria 4.0 non va vista come un mero elenco di leve tecnologiche, ma come un ecosistema tecnologico e innovativo che, se usato come nodi interconnessi, può moltiplicare i vantaggi.
