esempi

Cos’è e come funziona la manutenzione predittiva

di |

Sensoristica e algoritmi intelligenti hanno reso possibile ciò che viene definita come Manutenzione Predittiva, che consiste nella capacità di anticipare i problemi meccanici prima che questi si verifichino.

Enterprise 4.0 è una rubrica settimanale dedicata ai processi di innovazione aziendale a cura di Neosperience. Per consultare gli articoli precedenti clicca qui.

Grazie al Machine Learning e all’IoT, la manutenzione degli impianti non sarà più la stessa. 

Sensoristica e algoritmi intelligenti hanno reso possibile ciò che viene definita come Manutenzione Predittiva, che consiste nella capacità di anticipare i problemi meccanici prima che questi si verifichino.

Oggi la maggior parte delle imprese utilizza un tipo di manutenzione detta “reattiva”, ovvero si attende che il sistema si guasti per ripararlo o sostituirlo.

Secondo le stime, ciò costa alle aziende quasi 700 miliardi di dollari per mancata produzione.

Questo fiume di denaro – grazie alla manutenzione predittiva – diventa un vero e proprio spreco, e molte aziende stanno cominciando a capirlo. Infatti, il mercato della manutenzione predittiva cresce ogni anno di circa il 30%.

Grazie all’utilizzo di sensori per monitorare alcuni dati ambientali – come vibrazione, rumore, temperatura, pressione e corrosione – i sistemi sono in grado di programmare in anticipo le riparazioni e la manutenzione ordinaria.

Un programma di manutenzione predittiva ben pianificato può eliminare totalmente i guasti inaspettati. Prolunga inoltre l’aspettativa di vita dei macchinari, e garantisce che la manutenzione sia programmata per avere il minor impatto possibile sulla produzione.

Infine garantisce una maggiore sicurezza sul lavoro e diminuisce gli sprechi, migliorando l’impatto ambientale dell’impresa.

Come funziona?

Gli algoritmi di Machine Learning analizzano le tendenze passate e i dati in tempo reale per determinare se e quando una macchina si guasterà.

Nello specifico, i sensori trasmettono i dati ambientali al sistema centralizzato: qui l’algoritmo analizza, aggrega e sintetizza i dati, seguendo un insieme di regole predeterminate, per confrontare il comportamento attuale del sistema con l’andamento atteso.

La deviazione da questa tendenza “corretta” segnala al sistema un deterioramento dei macchinari. L’algoritmo è in grado di generare informazioni dettagliate sullo stato di salute degli impianti, incluso il time-to-failure previsto e un’indicazione sulla causa del problema.

All’interno delle fabbriche, la manutenzione predittiva può essere utilizzata in vari modi e su vari livelli.  È possibile monitorare singoli componenti, macchinari o l’intero reparto produttivo, i processi di produzione o gli stessi prodotti realizzati, per diminuire i difetti di produzione.

Una case history

Ma analizziamo un caso applicativo reale, messo a punto da noi di Neosperience per i nostri  partner di Alisea, azienda numero uno in Italia nella gestione degli impianti di trattamento aria.

Alisea ha colto le opportunità offerte da tecnologie come IoT e Machine Learning per garantire ai propri clienti un servizio più efficace, sicuro e tempestivo, migliorando la qualità e l’efficienza degli interventi da parte dei propri tecnici.

Remotair®

Insieme ad Alisea abbiamo sviluppato Remotair®, un sistema di controllo remotizzato che, una volta inserito nei condotti dell’aria, comunica in realtime e in continuo ad Alisea e al proprietario degli impianti lo stato dei filtri, la qualità dell’aria, la presenza di minacce microbiologiche e la pulizia delle condotte.

Quest’ultimo punto è gestito da fotocamere opportunamente dislocate tra le condotte.

Le immagini recuperate vengono analizzate da algoritmi di Machine Learning che sono in grado di riconoscere il livello di pulizia delle condotte, permettendo così ai tecnici gestire predittivamente la manutenzione e le eventuali anomalie tramite il back office.

Conclusioni

Remotair® è un chiaro esempio delle potenzialità applicative di Machine Learning e IoT per migliorare i servizi al cliente e la gestione di attività e dipendenti. L’analisi dei dati in real time sullo stato di salute dei sistemi e la dashboard condivisa tra tecnici e clienti permettono ad Alisea di:

  • Avere la situazione costantemente sotto controllo;
  • Intervenire tempestivamente in base alla situazione di pericolo reale;
  • Programmare la manutenzione predittivamente, in base ai dati recuperati;
  • Risparmiare tempo e denaro per interventi non necessari;
  • Migliorare la soddisfazione del cliente e dello stesso dipendente Alisea.;
  • Assicura i migliori standard di sicurezza e salute.

Leggi le altre notizie sull’home page di Key4biz