Come fare manutenzione predittiva grazie all'intelligenza artificiale

In che modo manutenzione predittiva e intelligenza artificiale si incontrano nel mondo 4.0? Per farlo, come in ogni buon libro, i due protagonisti hanno bisogno di una solida trama, in questo caso costituita dai Dati, generati da tutti i dispositivi IoT installati in azienda e fonte praticamente inesauribile di informazioni.

Prima però che il felice incontro potesse avvenire è stato obbligatorio superare i limiti imposti dalle infrastrutture on-promise (lente) e da quelle on-cloud (scalabili ma con problemi di latenza) per giungere, finalmente, a soluzioni ibride, in cui l’elaborazione edge di prossimità ha sposato la potenza e gli spazi infiniti del cloud.

Milioni di dati eterogenei arrivano ora in tempo reale ai sistemi di monitoraggio e analisi, coordinati a loro volta da intelligenza artificiale e machine learning, unici strumenti validi per poter gestire con la massima efficienza i wide data, nuova grandezza di misura coniata dai Data Scientist per superare la dimensione “limitante” dei big data.


Manutenzione predittiva e intelligenza artificiale: più sicurezza e flessibilità

Grazie all’intelligenza artificiale è ora possibile recuperare efficienza e ridurre l’impatto economico delle attività di manutenzione utilizzando i dati che arrivano dagli stessi macchinari. Disporre di strumenti di analisi predittiva permette ai responsabili della manutenzione di programmare il fermo o addirittura il blocco di tutta la linea produttiva nel momento economicamente più vantaggioso per l’azienda, rispettando al contempo tutti i canoni di sicurezza per gli interventi. È facile intuire come il risparmio economico possa divenire nel tempo importante, a tutto vantaggio di una migliore qualità dei servizi e del prodotto. E, non certo ultimo, nel pieno rispetto delle tempistiche di produzione.

Sempre nell’ottica dell’ottimizzazione, gli algoritmi di machine learning si incaricano di raccogliere i dati provenienti non solo da tutta la gamma di sensori IoT installati, ma anche dalle piattaforme software di gestione della supply chain, creando modelli sempre più precisi e performanti per la manutenzione. Non si tratta più, quindi, di rispondere a un problema diretto del macchinario, leggi blocco/rottura, ma di anticipare una risposta “smart” che tenga conto di molteplici fattori che si perfezionano nel tempo. Tempo che torna a essere un valore e non un “nemico” contro cui battersi quotidianamente.


Manutenzione predittiva e l’approccio Data Driven

L’incremento produttivo, dato magari da favorevoli e temporali aperture del mercato, porta necessariamente a uno sfruttamento maggiore dei macchinari e delle singole parti meccaniche. Un approccio Data Driven dell’azienda, potenziato da strumenti di AI, consente di collegare tutti i dati necessari alla produzione a precisi e predittivi interventi manutentivi. La manutenzione trae quindi vantaggio da tutta la catena di informazioni legate alla supply chain, includendo tutta la gestione dei pezzi di ricambio a magazzino, anticipando e affiancandosi di fatto con la propria attività ai periodi più critici per la produzione.

Come sempre, tutti i parametri vengono misurati mediante KPI ricavandone valori come MTBF (Mean Time Between Failures) e MTTR (Mean Time To Repair), riferiti rispettivamente, al tempo medio tra due guasti e a quello, sempre medio, di riparazione. Gli algoritmi predittivi, tramite la piattaforma software per la gestione degli asset aziendali CMMS (Computerized Maintenance Management System), indicano eventuali cali di prestazioni dei macchinari o quando questi ultimi stanno per arrivare a fine vita, richiedendone l’ammodernamento.


Con l’intelligenza artificiale si può simulare

Un altro enorme vantaggio offerto dall’intelligenza artificiale, sempre nel campo di manutenzione predittiva, sono le soluzioni software Digital Twins che vengono impiegate per replicare virtualmente singoli oggetti e macchinari, o addirittura intere linee produttive. In questo modo è possibile simulare il logorio, le sollecitazioni o il comportamento anomalo delle unità meccaniche nel tempo. L’uso congiunto di machine learning e di questa metodologia permette di scattare un’istantanea non solo della situazione odierna ma di potersi proiettare in un futuro più o meno prossimo, convalidato però da dati concreti. Secondo Gartner, quasi la metà delle aziende (48%) che stanno lavorando su progetti che coinvolgono dispositivi e tecnologie IoT stanno utilizzando modelli virtuali di simulazione. Gli addetti alla manutenzione sono quindi guidati nei loro interventi da procedure sempre più sofisticate, ma avvallate e supportate da diagnosi e simulazioni quanto mai realistiche. Con l’introduzione dei modelli di simulazione e dell’analisi predittiva, la manutenzione si afferma come uno dei settori di punta e in maggiore sviluppo per l’Industria 4.0.


White-Paper_manutenzione predittiva e intelligenza artificiale per le imprese