Choose Colour style

Nello scorso articolo abbiamo parlato di Analisi Predittiva, di che cosa si tratta, come funziona e come gli imprenditori possono beneficiarne.

Se l’hai già letto, avrai notato che abbiamo fatto dei rapidissimi riferimenti ad un elemento essenziale dell’analisi predittiva nel panorama del business, specialmente in questo periodo di crisi economica.

Quindi, in questo articolo parliamo di quell’elemento…

La Manutenzione Predittiva.

La rivoluzione del concetto di manutenzione

Le opinioni più comuni sulla Manutenzione Predittiva sono le seguenti:

– “Sarà l’endgame dell’Internet of Things”,

– “È una delle funzioni che avrà più impatto sul business”,

– “È il next level del settore manifatturiero”.

Insomma, gli esperti la descrivono tutti come una sorta di ‘nuova frontiera’ del mondo del business.

Anzi, è una frontiera inevitabile.

Tutte le aziende prima o poi dovranno dotarsi di un sistema di Manutenzione Predittiva se vogliono avere sul serio un vantaggio sul mercato, perché sarà di fondamentale importanza non solo per la produttività avanzata, ma proprio per la produttività di base.

Ora, fatta questa premessa, qual è la definizione di Manutenzione Predittiva?

La Manutenzione Predittiva è quel campo dell’Intelligenza Artificiale che studia come abilitare le macchine a prevedere i cicli di vita e i guasti di una determinata macchina, basandosi sul monitoraggio dei dati storici. 

Ora che abbiamo definito la Manutenzione Predittiva, facciamo un ulteriore passo indietro e parliamo solo di ‘manutenzione’.

È chiaro che la manutenzione più efficace è quella che garantisce il miglior risultato con il minor impatto.

Per prenderla larga, diciamo che siamo abituati a concepire solo due tipi di manutenzioni:

– Manutenzioni Periodiche,

– Manutenzioni Reattive.

Le Manutenzioni Periodiche vengono fatte a intervalli regolari, tipo ogni sei mesi, come quando fai il tagliando alla macchina ogni tot chilometri.

Di solito, la classica manutenzione aziendale viene fatta in agosto durante la chiusura dello stabilimento.

Questo tipo di manutenzione ha un impatto quasi esclusivamente economico, perché è possibile pianificare l’intervento in modo da perdere il minor tempo possibile (ma l’intervento lo devi pagare comunque). 

Dall’altra parte, le Manutenzioni Reattive sono quelle che vengono effettuate subito dopo un guasto.

Anche se questo tipo di manutenzione non ha costi ‘fissi’, può essere molto pesante a livello di tempo e di produzione.

Se sei in un’azienda, di fatto l’intera produzione si ferma… bisogna aspettare che venga riparato il guasto… e non è detto che i materiali o i pezzi di ricambio siano disponibili.

C’è un downtime imprevisto e questo può avere un impatto considerevole sul business.

La Manutenzione Predittiva invece riduce drasticamente l’impatto sulla produzione sia in termini di tempo che di denaro, perché consiste nell’analizzare una i dati storici di funzionamento della macchina per determinare con la maggior probabilità quando si verificherà il guasto.

In poche parole, significa analizzare quali erano le condizioni in cui si sono verificati i guasti passati, in modo tale da tenere monitorata la macchina e prevedere i guasti futuri con la massima probabilità. 

Questo tipo di manutenzione sta prendendo sempre più piede oggi grazie alla diffusione delle tecnologie dell’intelligenza artificiale che permettono di elaborare modelli predittivi e ottimizzare strategie di manutenzione.

Senza l’Intelligenza Artificiale, sarebbe difficile applicare la manutenzione predittiva.

Facciamo un esempio per rendere più chiaro il concetto, i cui protagonisti sono:

1) Il sistema di Manutenzione Predittiva,

2) Il responsabile di produzione,

3) Una macchina che produce pneumatici.

Ora, l’azienda che produce pneumatici ha il picco di produzione richiesto dal mercato a maggio.

Ci possono essere due casi diversi.

CASO 1:

A febbraio il sistema di manutenzione predittiva dice al responsabile di produzione che per i prossimi sei mesi è poco probabile che si verifichi un guasto.

In questo caso, è inutile che il responsabile di produzione programmi una manutenzione a febbraio perché rallenterebbe solo la produzione.

CASO 2:

A febbraio il sistema mi dice che è molto probabile che verso fine aprile ci sia un guasto che potrebbe portare ad un fermo della produzione.

In questo caso il responsabile di produzione metterà in programma di effettuare la manutenzione entro breve.

Questo ridurrà di molto la probabilità che a maggio ci sia il fermo di produzione.

FINE.

Come avrai capito, la Manutenzione Predittiva permette all’azienda di avere un vantaggio sia in termini di tempo che in termini di denaro, attraverso un sistema che supporta le decisioni strategiche relative alla produzione.

Ma c’è una discriminante molto forte affinché questo sia possibile.

Per capirci, su Internet si parla del fatto che i settori che sentiranno più benefici della manutenzione predittiva si trovano nell’ambito sanitario, nel settore manifatturiero e altre industrie…

Ma questi sono solo quei settori che hanno ricevuto l’impatto più forte.

La Manutenzione Predittiva in realtà può essere applicata in tutte le aziende che hanno uno storico di dati di qualità, perché l’elemento discriminante non è il settore, ma la quantità di dati.

L’esempio ideale di progettazione di Manutenzione Predittiva in un’azienda

Innanzitutto, prima di partire con un progetto di Manutenzione Predittiva bisogna capire due cose:

1) Qual è il problema che un sistema di manutenzione predittiva risolverebbe;

2) Quali sono gli obiettivi del progetto. 

Poi si parte recuperando i dati di cui abbiamo bisogno per creare il sistema.

La situazione ideale sarebbe avere un’azienda che ha installato sui macchinari dei sensori che registrano dati, e quindi hanno uno storico di dati da cui partire.

Con ‘dati’ si intende valori specifici come:

– tempo;

– temperature;

– giri di motore;

– voltaggio;

– consumi;

– ecc.

Una volta recuperati questi dati poi inizia il vero lavoro di estrazione di quelli più importanti da parte dei data scientist per stabilire dei pattern ricorsivi.

Per esempio, se la temperatura del motore si alza oltre la norma stabilita dai fornitori, si riesce a capire che il motore sta andando in difficoltà.

Più spesso questo motore va in difficoltà, più è probabile che gli interventi di manutenzione siano frequenti e quindi avranno un peso diverso nella lettura e nella creazione del modello predittivo.

Una volta stabilito il pattern ricorsivo, si inizia a sviluppare il modello predittivo vero e proprio.

Una parte di dati viene pulita e preparata per essere data in pasto alla fase di training del modello predittivo.

Nel frattempo i data scientist tengono un’altra parte di dati per fare dei test ulteriori fuori dal training.

Questa fase può occupare diverse giornate, in base alla quantità di dati e delle macchine a disposizione.

Alla fine di questa fase avremo un modello di manutenzione predittiva specifico per quei dati, che viene quindi inserito all’interno di un software che si integra con i sistemi aziendali.

Da qui si possono creare delle soluzioni diverse per la manutenzione:

– Una notifica alert che si attiva quando le condizioni della macchina prevedono una manutenzione;

– Una calendarizzazione nei futuri mesi/anni dei possibili interventi di manutenzione in base alle condizioni della macchina;

– Ecc.

Generalmente si può fare una calendarizzazione in base alla quantità di dati che abbiamo.

Più dati ci sono, più il modello predittivo è preciso.

Più è grande lo storico, più riusciamo a guardare nel futuro.

Le domande degli imprenditori alla Manutenzione Predittiva…

“Mi sono arrivati in azienda degli strumenti nuovi, perciò al momento non ho dati a sufficienza. Come faccio se non ho uno storico di dati?”

Le ultime macchine vengono prodotte già con dei sensori installati che raccolgono dati.

Quindi, nell’eventualità che non ci siano dati pronti, si possono anche chiedere al fornitore.

Naturalmente dopo l’utilizzo, la raccolta dati ‘personalizzerà’ il modello per raggiungere un modello predittivo più adeguato.

“Fino ad oggi ho fatto manutenzioni in base alle condizioni della macchina, prima ancora del guasto. Oppure l’ho fatta in maniera periodica per non pensarci troppo. Non mi è mai successo che la macchina si guastasse all’improvviso, quindi non ho dati precisi. Non è che poi spendo soldi per la manutenzione predittiva che in realtà mi dirà esattamente quello che facevo prima?”

Se non ci sono mai stati guasti si può far riferimento alle indicazioni dell’azienda al fornitore, perché comunque ci sono dei parametri standard della macchina.

Riprendendo l’esempio fatto prima, la temperatura e i giri di motore hanno sempre dei limiti da non superare.

Banalmente, se un motore va in sovratemperatura prima o poi si brucerà, perciò partendo da questo posso costruire modelli predittivi anche in mancanza di dati. 

C’è da dire che il fatto di non avere dati precisi potrebbe essere un problema, perciò sarebbe meglio avere dei sensori per riuscire a raggiungere la quantità di dati adatta per la manutenzione predittiva.

Tutti questi dati poi comunque devono essere gestiti dai data scientist proprio per ottimizzare il modello e quindi dare un valore aggiunto alla manutenzione.

È un po’ più complesso il gioco, ma si può fare. 

“Quanto tempo ci vuole perché l’algoritmo sia stabile e il team di manutenzione si abitui alla gestione della manutenzione in ottica predittiva?”

Anche questo dipende dai dati. Se abbiamo molti dati, ci vuole sì più tempo per creare il modello, ma il risultato è molto più accurato in termini di precisione sulle predizioni.

Avere molti dati significa anche creare e trainare un modello molto preciso che a partire dal giorno dopo l’installazione darà risultati molto attendibili.

Dall’altra parte, avere pochi dati significa che anche con un modello sviluppato al minimo ci vorrà del tempo affinché i modelli in produzione recuperino e imparino dai nuovi dati.

Tutto dipende dalla quantità di macchine e dall’utilizzo che si fa della macchina, ma ci vorranno comunque diversi mesi.

Per quanto riguarda l’integrazione con il team, il discorso cambia poco.

Di solito si crea una nuova dashboard di controllo, perciò bisogna formare il team sul suo utilizzo.

Nel caso in cui l’integrazione avvenga molto rapidamente, si creerà una calendarizzazione o degli alert molto simili a quello cui erano abituati.

In questo caso cambia solamente il paradigma o i tempi scadenzati, ma non l’interazione con il software.

In quanto team di Bluetensor, riusciamo ad integrarli con successo nella maggior parte dei software industriali, senza traumi per gli utilizzatori.

Il futuro della Manutenzione Predittiva dall’Università di Trento agli imprenditori d’Italia

È doverosa una premessa.

Bluetensor è diventata una delle aziende sponsor del Dottorato in Innovazione industriale dell’Università di Trento.

Questo programma ha come obiettivo formare esperti di innovazione tecnologica che si inseriranno nel mondo dell’Industria.

Nell’ambito di questo programma, le tecnologie abilitanti sulle quali stiamo lavorando sono proprio quelle legate alla manutenzione predittiva.

Questo permette di avere accesso ad un database di competenze importanti che riusciamo a veicolare su progetti anche molto interessanti.

Per fare un esempio tra i più interessanti che abbiamo realizzato finora…

Abbiamo realizzato un sistema predittivo nell’ambito dell’analisi dei dati su motori turbofan per aeromobili.

Prima abbiamo analizzato decine di sensori su centinaia di motori per ricavarne il modello predittivo che è stato poi trainato.

Poi abbiamo fatto un test su nuovi motori che non erano stati utilizzati per il training.

Questo ci ha permesso di creare un modello che alla fine dava errore di previsioni inferiori al 15%!

Vuoi sapere la verità?

Questo è il momento perfetto per passare ad un livello successivo di manutenzione.

Se un’azienda ha già i dati a disposizione, può iniziare a lavorare con i dati che ha per capire qual è il modello migliore da estrarre.

Se invece l’azienda non ha i dati, è assolutamente il momento di iniziare ad acquisirli.

Sicuramente questo tempo di pausa è utile per iniziare un’attività di programmazione per l’introduzione di questo tipo di tecnologia.

Magari  stai pensando di implementare un sistema di Manutenzione Predittiva nella tua azienda e hai bisogno del parere di un esperto?

Puoi telefonare al numero verde 800 270 021.

Puoi anche inviarci un’email a info@bluetensor.ai.

Tra l’altro questo periodo stiamo continuando a promuovere le consulenze gratuite per chi deve sviluppare sistemi che raccolgono dati e a cui possiamo proporre soluzioni che con maggiore velocità permettono di raggiungere il risultato, oppure ad aziende che hanno già delle serie storiche di dati e stanno valutando se introdurre dei sistemi predittivi.

Possiamo fare degli studi di fattibilità per capire per dare una prima indicazione su qualità e quantità dei dati a disposizione.

A presto!

——

J&F di Bluetensor