Manutenzione Predittiva – non teoria ma applicazione pratica capace di produrre benefici tangibili

Manutenzione Predittiva – non teoria ma applicazione pratica capace di produrre benefici tangibili

Tra le più frequenti cause di blocco della produzione, e quindi della perdita di risorse materiali e immateriali da parte di un’azienda, i guasti agli impianti rappresentano una criticità che può verificarsi in qualsiasi realtà industriale. 

Seppure la certezza di riuscire a evitarli del tutto sia remota, l’introduzione della manutenzione predittiva, rispetto a quella reattiva impiegata fino agli anni ’80, presenta numerosi vantaggi riferiti all’ottimizzazione delle macchine e dei processi. 

Si tratta, infatti, di una una procedura di Smart Maintenance che consente di prevedere il rischio di anomalie e pianificare gli interventi necessari ad arginare o evitare guasti, oltre a favorire la formazione di manodopera specializzata e a snellire le operazioni di ricambio pezzi.

Inoltre, l’uso combinato con le tecnologie dell’industria 4.0 incrementa i benefici derivanti da questa pratica, dal momento che semplificano ulteriormente l’emissione, la raccolta e la comprensione dei dati significativi per una gestione efficiente delle macchine.

È di esempio il caso di un cliente operante nell’ambito della plastica, la cui performance produttiva è stata intaccata proprio a causa di un guasto all’impianto di cruciale importanza per l’intero sistema avvenuto circa un anno e mezzo fa. Nello specifico, il danno ha interessato tre pompe di riempimento di acqua, con il risultato di un blocco totale del mezzo. L’impatto sulla produzione è stato significativo, poiché a costi di intervento onerosi si sono aggiunte le perdite economiche dovute all’interruzione del ciclo di lavoro. In questo caso, infatti, il prolungarsi dell’MTTR, ovvero il tempo medio di riparazione, ha intralciato i turni lavorativi obbligando il fermo della manodopera. 

Trattandosi di una problematica riscontrata altre volte in passato, il cliente aveva già provveduto a intervenire con un approccio reattivo, provando a migliorare la manutenzione con il passaggio da una politica del tipo fix when fail – il cui scopo è unicamente correttivo – ad una preventiva, basata sulla pianificazione degli interventi da affrontare per evitare il presentarsi di guasti. Tuttavia, nonostante la diminuzione del numero di danni subiti dall’impianto, i limiti riscontrati da tale cambiamento hanno riguardato soprattutto la parte economica del business. In altre parole, gli stop pianificati per agire sui macchinari e prevenire i guasti continuavano a incidere sui costi rendendoli eccessivi e difficili da sostenere.

Da qui la scelta da parte del management di rivolgersi al team di Automate allo scopo di definire e sviluppare in sinergia un progetto di manutenzione predittiva grazie al quale migliorare significativamente la gestione dei macchinari con una forte attenzione al contenimento dei costi ed allo stesso tempo assicurando piena operatività produttiva e soprattutto riduzione di rischi tali da produrre conseguenze negative per l’attività. 

Il primo passo in tale direzione è stato l’avvio da parte dell’azienda di una raccolta dati offline in piena autonomia, antecedente all’avvio del progetto. Una scelta intelligente poiché funzionale a migliorare la leggibilità del macchinario e a categorizzare dei problemi riscontrati nel tempo. Difatti, gli stessi dati hanno fornito una base utile dalla quale partire per realizzare una soluzione di qualità, il cui valore deriva principalmente dalla capacità di gestire complessità di vario genere. Da una parte certamente quella della collaborazione tra competenze diverse, ma senza dimenticare la necessità – emersa già in fase di analisi – di considerare in parallelo l’integrazione di una piattaforma per la raccolta dati in tempo reale con i sistemi già esistenti e l’implementazione dei software e algoritmi di previsione al fine di renderli flessibili, sicuri e affidabili. Per riuscirci, oltre a un lavoro di selezione delle più idonee metodologie di Data Analysis e Machine Learning, si è ritenuto opportuno coinvolgere il management in tutte le scelte relative le diverse fasi progettuali, così da rafforzare in parallelo la consapevolezza e l’autonomia del cliente.

Agire in questo modo ha permesso di affrontare al meglio anche le problematiche emerse durante i primi momenti di analisi e progettazione dell’architettura tecnologica. Ad esempio il dover rispondere a una discrepanza di informazioni prodotta dai dati raccolti dall’azienda – frammentati e non del tutto coerenti con le dinamiche dei guasti – o la difficoltà di immaginare preventivamente la reale utilità del sistema di monitoraggio per evitare guasti e, soprattutto, per pianificare le operazioni di manutenzione necessarie. 

Nel primo caso si è giunti alla lettura dei dati raccolti avviando delle azioni di pre-processamento e pulizia al fine di estrapolare valore dagli stessi, mentre la pianificazione delle implementazioni è stata ottimizzata mediante verifiche costanti, dando la possibilità al cliente di apprezzare da subito i risultati raggiunti. Approccio consolidato e ancora attuale a diciotto mesi dalla messa in esercizio della soluzione che, allineandosi alle diverse esigenze di produzione, presenta una natura evolutiva per cui è stato richiesto l’intervento del partner tecnologico in diversi momenti: per modificare il software, aggiungere nuovi sensori, assistere il personale nell’apprendimento di alcune specifiche indicazioni fornite dall’algoritmo o intervenire in altri ambiti della catena del valore quali, ad esempio, le presse.

La possibilità di interpretare il comportamento della macchina, insieme a una maggiore comprensione delle cause di guasto, hanno permesso all’azienda ad oggi di ridurre del 20% il numero di riparazioni necessarie in un anno e del 30% il tempo medio di manutenzione.

Ovviamente si è trattato di un processo graduale sia per il management che per i dipendenti, in modo da permettere a entrambi di accogliere il cambiamento con consapevolezza, sentendosi padroni delle nuove tecnologie introdotte. Per cui, dopo una prima fase di analisi e ideazione, lo sviluppo della soluzione ha visto susseguirsi tre fasi, rispettivamente inerenti: 

• L’integrazione della piattaforma per la raccolta e visualizzazione dati in tempo reale, finalizzata a rendere accessibili alcune dinamiche complesse e ad attivare un sistema di alerting per il controllo di alcune eventuali problematiche.
• La raccolta dati e lo sviluppo degli algoritmi previsionali necessari a leggerli, che in questo caso hanno permesso di individuare segnalazioni ed evitare il reiterarsi del malfunzionamento basandosi sulla variazione di determinate grandezze rispetto all’esperienza pregressa.
• Un ulteriore miglioramento del metodo di Predictive Maintenance adottato, rivelatosi capace di agire sui tre macchinari sfruttando le informazioni prodotte al fine di prevedere un tipo di guasto con un mese di anticipo. Un tempo sufficiente a prevenire la rottura e pianificare la manutenzione senza il rischio di intralciare la produzione.