Gestione intelligente degli asset: Cavalcare l'onda della manutenzione predittiva

Le operazioni di manutenzione e riparazione (MRO) sono tra le attività più importanti delle aziende industriali moderne. Consentono alle aziende di operare senza problemi e hanno un impatto significativo sulla produttività e sui profitti. Una parte importante della manutenzione e riparazione riguarda la gestione e la manutenzione di beni fisici come le macchine e gli strumenti utilizzati nelle operazioni di produzione. Per questo motivo le aziende investono molto in metodi nuovi e intelligenti per la gestione dei loro beni.

L'approccio più semplice alla manutenzione dei macchinari è la manutenzione reattiva. Nella manutenzione reattiva, i macchinari vengono riparati o sostituiti quando si guastano. La manutenzione reattiva non è molto efficace: spesso comporta tempi di inattività della produzione, in quanto le operazioni devono essere interrotte mentre il macchinario viene sostituito. Per questo motivo la maggior parte delle aziende impiega un modello di manutenzione alternativo per gli asset principali, chiamato manutenzione preventiva. Questo metodo prevede la sostituzione o la manutenzione dei macchinari prima del loro termine di vita nominale. Grazie alla proattività, si evitano tempi di inattività disastrosi, in quanto non si raggiunge mai la fine del ciclo di vita dei beni. Questo non è il modo più economico, perché la vita del prodotto potrebbe essere ridotta, ecco perché la manutenzione basata sulle condizioni è un'altra opzione.

La manutenzione basata sulle condizioni sostituisce o mantiene un macchinario in base alle sue condizioni effettive. Viene utilizzata per la manutenzione prima che si verifichi un guasto. Uno dei tipi più popolari di manutenzione basata sulle condizioni è la manutenzione predittiva. Sfrutta le previsioni sulla vita utile residua (RUL) e sulla fine della vita utile (EoL) dell'asset, programmando la manutenzione nel momento più opportuno. La manutenzione predittiva evita i fermi macchina e ottimizza l'efficienza complessiva delle apparecchiature (OEE). Tuttavia, l'implementazione di un approccio alla manutenzione predittiva è impegnativa, poiché non esiste un modo semplice per prevedere e anticipare i guasti degli asset industriali.

Negli ultimi anni, l'avvento dell'Industria 4.0 consente alle aziende di raccogliere grandi quantità di dati digitali sui loro sistemi di produzione. Questo facilita l'implementazione della manutenzione predittiva e porta a benefici economici tangibili. La manutenzione predittiva è una delle applicazioni più popolari dell'Industria 4.0 per due motivi: il suo comprovato ritorno sull'investimento (ROI) e la sua ampia applicabilità in quasi tutti i settori industriali, tra cui quello manifatturiero, petrolifero e del gas, minerario, degli edifici intelligenti e altri ancora.

Stima della vita utile residua con l'analisi predittiva

Lo sviluppo di soluzioni di manutenzione predittiva sfrutta grandi volumi di dati digitali provenienti da sensori, sistemi di produzione e applicazioni aziendali. Questi dati vengono elaborati da algoritmi analitici avanzati come il Machine Learning (ML) e l'Intelligenza Artificiale (AI), per aiutare a valutare le condizioni delle apparecchiature. Gli algoritmi di analisi predittiva vengono applicati ai dati provenienti da vari dispositivi come sensori di vibrazione, sensori di temperatura, sensori di consumo energetico, sensori acustici, dispositivi a ultrasuoni e dispositivi di imaging termico. Vengono sfruttate ulteriori informazioni provenienti dai sistemi informativi aziendali (ad esempio, i sistemi ERP (Enterprise Resource Planning)), come ad esempio le informazioni sulla qualità della produzione e i dati sull'analisi dell'olio delle macchine. Tutti questi dati forniscono informazioni utili sul funzionamento e sulle condizioni dell'impianto.

Un sistema integrato di manutenzione predittiva comprende i seguenti sottosistemi:

Un sottosistema di raccolta dati, che garantisce la raccolta affidabile dei dati dai sensori e dai sistemi di produzione. Nella maggior parte dei casi, il sistema di raccolta dati è un sistema Big Data che gestisce i dati in streaming con un'elevata ingestione e i dati a riposo. Il sistema è dotato di una solida infrastruttura di rete, configurata per supportare le esigenze di larghezza di banda dei vari flussi di dati.
Un sottosistema di analisi predittiva che elabora i dati dei sensori per fornire stime sui tempi di manutenzione. Questo sottosistema comprende algoritmi di analisi avanzati come l'analisi statistica e le tecniche di data mining come il machine learning e il deep learning (DL). Negli ultimi anni, le tecniche di DL sono state preferite alle tradizionali tecniche di ML per la loro accuratezza. Tuttavia, l'uso di modelli DL richiede più dati rispetto agli algoritmi di ML tradizionali.
Un sottosistema di visualizzazione, che presenta le previsioni agli ingegneri e ai tecnici della manutenzione. Ad esempio, le previsioni sullo stato di salute degli asset vengono visualizzate in appositi cruscotti. Le informazioni possono essere visualizzate sotto forma di rappresentazioni informatiche in realtà aumentata (AR) e realtà virtuale (VR).
Un sottosistema di attuazione e controllo, che sfrutta le informazioni predittive per programmare le operazioni di manutenzione o per configurare il funzionamento dei sistemi di produzione. Questo sottosistema può interagire con le applicazioni aziendali (ad esempio, i sistemi ERP e di gestione delle risorse) per identificare il momento migliore per programmare la manutenzione. In questa direzione, viene preso in considerazione lo stato degli ordini di produzione in sospeso. Allo stesso modo, il sottosistema di attuazione e controllo configura le operazioni delle macchine per prolungarne la durata.

L'ascesa dell'Asset as Service

Oltre alla riduzione dei tempi di inattività e all'aumento dell'OEE, la manutenzione predittiva consente una serie di nuovi modelli aziendali di manutenzione basati sul paradigma Asset-as-a-Service (AaaS). Questo paradigma consente agli OEM di far pagare i loro prodotti in base al loro utilizzo, piuttosto che in base a un prezzo fisso anticipato. A tal fine, sfruttano le informazioni sulle condizioni e sullo stato di salute degli asset per pianificare le operazioni di manutenzione, riparazione e assistenza sul campo. Allo stesso modo, offrono visibilità sullo stato degli asset e sulle operazioni di manutenzione che devono essere eseguite su di essi. In questo contesto, è anche possibile implementare modelli di Maintenance-as-a-Service (MaaS), che addebitano ai clienti la fornitura di informazioni sulla manutenzione e la riparazione degli asset.

In futuro, MaaS e AaaS offriranno alle imprese industriali una maggiore flessibilità nella pianificazione delle operazioni di manutenzione e riparazione. Ad esempio, i produttori non dovranno più ricorrere a costosi contratti di manutenzione. Potranno invece pagare i servizi di manutenzione in base all'utilizzo del bene.

Le infrastrutture e le tecnologie digitali, come le infrastrutture di rete ad alta velocità, le piattaforme Big Data e le tecnologie di analisi avanzate sono i pilastri principali delle soluzioni di manutenzione predittiva. Le soluzioni di Allied Telesis offrono una forte proposizione in termini di valore quando si tratta di implementare piattaforme di acquisizione dati affidabili per la manutenzione predittiva. Ad esempio, la soluzione Total Autonomous Networking di Allied Telesis consente alle aziende di produzione di centralizzare il controllo e la gestione di più dispositivi, supportando al contempo i servizi di ripristino e provisioning, sempre più importanti. La soluzione offre funzionalità versatili di configurazione della rete basate sull'analisi del traffico wireless. In particolare, l'analisi del traffico viene utilizzata per capire come configurare al meglio la rete per soddisfare la domanda. Inoltre, facilita la creazione di soluzioni WAN ad alte prestazioni, che garantiscono lo streaming affidabile dei dati di manutenzione provenienti da diversi dispositivi verso il cloud.

Un'altra opzione è la soluzione di sicurezza Self-defending Networks di Allied Telesis, che automatizza la configurazione e l'applicazione di complessi criteri di sicurezza sia a livello Edge che a livello cloud delle soluzioni di manutenzione predittiva. In questo modo è possibile aumentare notevolmente l'attendibilità e l'affidabilità delle implementazioni di manutenzione predittiva, il che è molto importante per proteggere le aziende da dispositivi non affidabili e da attacchi avversari.

Nel complesso, Allied Telesis fornisce le basi per un'infrastruttura di rete industriale robusta, sicura e ad alte prestazioni, che garantisce il corretto flusso di dati di manutenzione dal reparto al cloud. Si tratta di una solida base per un'implementazione della manutenzione predittiva di successo ed economicamente vantaggiosa.