Data science per la manutenzione predittiva

Applicare una strategia industriale che preveda di ricorrere alla manutenzione predittiva significa implementare una strategia in cui Data science, IoT, Big Data, Machine Learning e Robotic Process Automation partecipano a migliorare le performance delle procedure manutentive, contenere i costi relativi a queste ultime, ottimizzare l’impiego delle risorse e garantire continuità di servizio.

Come ormai buona parte dei processi di business più innovativi, anche la manutenzione predittiva è una soluzione fortemente Data Driven, le informazioni raccolte durante il funzionamento del dispositivo su cui potrebbe essere necessario intervenire consentono di individuare non soltanto eventuali difetti e anomalie, ma anche di prevenire possibili malfunzionamenti o disservizi.

E’ quindi utile capire in che modo questa metodologia si distingue dalle soluzioni più  tradizionali per la manutenzione.

Manutenzione predittiva e condition monitoring

Un esempio interessante di utilizzo della manutenzione predittiva riguarda il settore ferroviario: come capire anticipatamente l’usura di determinati componenti per agire in tempo su di essi prima che manifestino delle problematiche? La domanda è particolarmente pertinente perché attiene non soltanto all’efficienza di un settore strategico, ma anche alla sempre attuale tematica della sicurezza.

A tal proposito è possibile citare il caso di un componente che dovrebbe garantire sempre la massima continuità di esercizio come il deviatoio, più comunemente noto come “scambio”, che consente di congiungere più binari permettendo ai mezzi di modificare la direzione di corsa. Come viene applicata la manutenzione predittiva ad un dispositivo di questo tipo?

La risposta è individuabile nelle pratiche di condition monitoring, queste ultime prevedono di tenere sotto controllo un componente definendo delle metriche, ad esempio dei valori di soglia, che permettono di calcolare il momento in cui l’elemento monitorato ha maggiori probabilità di presentare dei guasti. Si tratta di operazioni che possono essere svolte raccogliendo i dati di funzionamento tramite sensori, da qui il contributo dell’IoT, tali informazioni partecipano quindi al training dei modelli di Machine Learning che consentono di automatizzare le verifiche precedenti agli interventi di manutenzione.

In questi termini la manutenzione predittiva rappresenta un’evoluzione delle strategie basate su:

1. manutenzione reattiva, dove l'intervento correttivo avviene in seguito al verificarsi di un guasto;
2. manutenzione programmata, dove si cercano di prevenire i guasti intervenendo periodicamente su un componente.

Nel caso del deviatoio il dispositivo da monitorare è a sua volta formato da più componenti a cui aggiungere tutti i device necessari ad un funzionamento corretto come, ad esempio, i dispositivi di azionamento.

Incrociamento, cambiamento e telaio degli aghi, solo per citare alcuni degli elementi principali di un deviatoio, non sono sottoposti ai medesimi livelli di stress e di usura, non sono composti dagli stessi materiali, non vengono prodotti sulla base delle stesse specifiche. La manutenzione predittiva basata sul condition monitoring consente quindi di raccogliere dati su ciascun componente coinvolto, effettuare analisi e previsioni tenendo conto delle caratteristiche proprie di ognuno di essi e di elaborare le tempistiche più corrette per massimizzare l’efficienza degli interventi.

Manutenzione predittiva e produttività

Volendo riassumere brevemente i maggiori benefici derivanti dalla manutenzione predittiva è possibile sottolineare:

• l'opportunità di estendere la durata delle componenti evitando guasti e malfunzionamenti che potrebbero incidere negativamente sul loro ciclo di vita;
• l'incremento della produttività derivante dalla continuità di servizio dovuta alla riduzione dei downtime;
• la minore complessità degli interventi di manutenzione;
• la riduzione degli interventi di riparazione;
• le maggiori occasioni di garantire la compliance rispetto alle normative che regolano il comparto in cui un dispositivo viene impiegato;
• la capacità di individuare i livelli di priorità associati a ciascun task di manutenzione;
• la possibilità di inviare ai produttori dei feedback estremamente dettagliati, e a runtime, riguardo all'efficienza del dispositivo commercializzato;
• l'ottimizzazione degli investimenti dedicati a manutenzione, riparazioni, commesse, forniture, contratti ed eventuali consulenze o interventi in outsourcing;
• la possibilità di fermare macchine e impianti soltanto quando necessario.

A quanto esposto è poi necessario aggiungere che, in quanto concepita anche per alimentare modelli di Machine Learning, la manutenzione predittiva è a sua volta in grado di migliorare sé stessa grazie ad un processo di integrazione continua finalizzato alla massimizzazione delle performance.

In un’ottica di breve periodo un approccio basato sulla manutenzione reattiva o la manutenzione programmata potrebbero generare un minore impatto su aspetti come quelli relativi al contenimento dei costi, questi ultimi infatti emergono soprattutto nel caso limite in cui si verifichi un malfunzionamento o un guasto. La manutenzione predittiva si rivela invece maggiormente performante in un’ottica di medio-lungo termine, dove una garanzia più elevata di uptime porta tendenzialmente alla massimizzazione della produttività.

A conferma di quando affermato è possibile citare una recente rilevazione svolta dai ricercatori di Aberdeen Group secondo la quale un utilizzo razionale della manutenzione predittiva potrebbe portare a un incremento fino al 15% dei margini operativi e ad una diminuzione fino al 12% dei tempi di downtime. L’utilizzo razionale dipende però da diversi fattori, a iniziare da una pianificazione scrupolosa che permetta di bilanciare la frequenza degli interventi richiesti sulla base dei dati raccolti.