La manutenzione predittiva promette meno guasti, una maggiore disponibilità degli asset e una pianificazione della manutenzione più efficiente. Tuttavia, questi risultati non derivano dalla sola installazione dei sensori.

Un programma di manutenzione predittiva di successo combina competenze ingegneristiche, dati affidabili, tecnologia di monitoraggio delle condizioni, registri di manutenzione, analisi dei dati e un'esecuzione disciplinata degli interventi. Ogni componente deve supportare un obiettivo operativo definito.

Molte organizzazioni iniziano con un'interessante dimostrazione tecnologica. Collegano i sensori, creano dashboard e raccolgono grandi volumi di dati. Dopo diversi mesi, i team di manutenzione non riescono ancora a prendere decisioni migliori.

Il problema risiede solitamente nella sequenza di implementazione. L'organizzazione ha iniziato dalla tecnologia anziché dal rischio delle apparecchiature, dai modi di guasto, dai flussi di lavoro della manutenzione e dal valore aziendale misurabile.

La manutenzione predittiva, spesso abbreviata in PdM, dovrebbe rispondere a una domanda pratica. Quale intervento di manutenzione dovrebbe essere eseguito prima che un asset perda prestazioni o si guasti?

La risposta deve arrivare abbastanza presto da consentire al team di manutenzione di intervenire. Deve inoltre offrire una sicurezza sufficiente per giustificare un'ispezione, una riparazione, l'approvvigionamento di ricambi o una modifica operativa.

Questo articolo presenta otto passaggi per creare un programma efficace di manutenzione predittiva. Una turbina eolica fornisce l'esempio principale, perché combina apparecchiature rotanti, accesso difficile, tempi di fermo costosi e molteplici meccanismi di deterioramento.

Lo stesso approccio si applica a pompe, compressori, motori, generatori, riduttori, ventilatori, trasportatori, trasformatori, valvole, azionamenti e apparecchiature di processo critiche.

La manutenzione predittiva deve iniziare da una decisione operativa

I dati sulle condizioni hanno poco valore se non modificano una decisione operativa o di manutenzione. Un andamento della temperatura può sembrare informativo, ma diventa utile solo quando qualcuno sa come rispondere.

La risposta potrebbe comportare la riduzione del carico dell'apparecchiatura, l'ispezione della lubrificazione, il controllo dell'allineamento, la sostituzione di un cuscinetto o la programmazione di un arresto controllato.

Il programma di manutenzione predittiva deve quindi collegare quattro attività distinte. Deve rilevare il deterioramento, valutarne la rilevanza, raccomandare un'azione e confermare l'esito della manutenzione.

Questa sequenza distingue la manutenzione predittiva dalla semplice raccolta di dati. Distingue inoltre un programma industriale operativo da un esperimento temporaneo di analisi dei dati.

Gli ingegneri dovrebbero definire le decisioni previste prima di selezionare i sensori. Dovrebbero identificare chi riceverà le informazioni, con quale rapidità dovrà rispondere e quali evidenze giustificano l'intervento.

Ad esempio, un avviso relativo a un cuscinetto della turbina potrebbe richiedere diversi livelli di risposta. Una piccola deviazione può attivare un monitoraggio continuo. Una deviazione più grande può richiedere un'ispezione durante la prossima finestra di manutenzione.

Una deviazione che cambia rapidamente può richiedere una riduzione immediata del carico. Un andamento critico può giustificare un arresto di emergenza.

Queste decisioni richiedono la collaborazione tra manutenzione, affidabilità, operations, automazione, sicurezza e specialisti dei dati. La manutenzione predittiva non può rimanere confinata a un unico reparto tecnico.

I seguenti otto passaggi delineano un percorso strutturato dall’esigenza aziendale all’esecuzione affidabile della manutenzione.

1. Selezionare un asset in cui la previsione genera un valore concreto

La manutenzione predittiva richiede un investimento iniziale. I costi possono includere sensori, condizionatori di segnale, reti industriali, edge computing, archiviazione dei dati, software di analisi, servizi di integrazione e un sistema computerizzato di gestione della manutenzione.

L’asset selezionato deve giustificare tale investimento. Dovrebbe avere un impatto significativo sulla produzione, sulla sicurezza, sulla qualità, sul consumo energetico, sulle prestazioni ambientali o sulla spesa di manutenzione.

Un elevato valore di acquisto, da solo, non rende automaticamente un asset idoneo. Gli ingegneri devono considerare le conseguenze finanziarie e operative del guasto.

Una pompa relativamente economica può arrestare un’intera unità produttiva. Un motore di riserva costoso può creare un rischio immediato ridotto, perché un’altra unità può assumerne il compito.

L’analisi della criticità degli asset costituisce un utile punto di partenza. La valutazione dovrebbe includere le perdite di produzione, i costi di riparazione, i tempi di approvvigionamento, le conseguenze sulla sicurezza, l’esposizione ambientale e la disponibilità di ridondanza.

La valutazione dovrebbe considerare anche la frequenza con cui l’apparecchiatura si guasta. Un asset critico privo di un andamento di deterioramento misurabile potrebbe non essere un buon candidato iniziale.

Gli asset ideali per un progetto pilota presentano diverse caratteristiche. I loro guasti sono costosi, il loro deterioramento è osservabile e il team di manutenzione può intervenire prima che si verifichi il guasto funzionale.

Una turbina eolica è un candidato ideale. Comprende cuscinetti, stadi di ingranaggi, alberi, generatori, sistemi idraulici, apparecchiature elettriche e componenti strutturali.

L’accesso per la manutenzione può essere difficile. Le condizioni del vento, la disponibilità della gru, la pianificazione degli interventi dei tecnici e la logistica dei ricambi possono ritardare le riparazioni.

Un guasto imprevisto al riduttore può causare un lungo fermo. Può inoltre richiedere attrezzature di sollevamento pesante e personale specializzato.

L’allerta tempestiva crea valore in diversi modi. L’operatore può procurarsi i ricambi prima del guasto, scegliere una finestra meteorologica favorevole, coordinare gli appaltatori e combinare più attività di manutenzione.

Il costo evitato comprende più del solo componente danneggiato. Include anche la perdita di produzione, il trasporto d’emergenza, gli straordinari, la mobilitazione della gru e i danni alle apparecchiature secondarie.

Un impianto produttivo può applicare la stessa logica a un compressore. Il suo guasto può interrompere l’alimentazione d’aria a diverse linee di produzione.

Un impianto idrico può dare priorità a una pompa di grandi dimensioni che serve una fase critica del processo. Una centrale elettrica può dare priorità a una pompa dell’acqua di alimentazione della caldaia, a un ventilatore a tiraggio indotto o a un sistema ausiliario della turbina.

Il primo progetto pilota dovrebbe rimanere gestibile. Una classe di asset o un piccolo gruppo di asset simili fornisce solitamente informazioni sufficienti per un’implementazione seria.

Iniziare con decine di macchine non correlate aumenta la complessità. Macchine diverse producono segnali, modalità di guasto, stati operativi e requisiti di manutenzione differenti.

Il team del programma dovrebbe documentare l’obiettivo del progetto pilota in termini misurabili. Tra gli esempi figurano la riduzione degli interventi di emergenza, l’aumento del tempo medio tra i guasti o il rilevamento del deterioramento dei cuscinetti con trenta giorni di anticipo.

Un obiettivo chiaro aiuta a prevenire un’espansione incontrollata dell’ambito. Fornisce inoltre uno standard per valutare se il progetto pilota ha prodotto valore operativo.

Figura 1. I dati del CMMS forniscono evidenze storiche sulla manutenzione per stabilire le baseline delle prestazioni e valutare i risultati della manutenzione predittiva. Immagine utilizzata per gentile concessione di Limble CMMS.

2. Creare una baseline dai dati esistenti di manutenzione e operativi

L’analisi predittiva richiede un riferimento per il funzionamento normale. Senza questo riferimento, il sistema non può distinguere in modo affidabile il comportamento previsto dai guasti in fase di sviluppo.

Le organizzazioni spesso presumono di non disporre di dati sufficienti. In realtà, informazioni utili possono già essere presenti in diversi sistemi.

Le fonti potenziali includono ordini di lavoro del CMMS, registri degli operatori, rapporti di ispezione, tag dello storico dei dati, registri degli allarmi, rapporti di laboratorio, percorsi di rilevazione delle vibrazioni, analisi dell’olio e transazioni dei pezzi di ricambio.

Questi dati raramente condividono una struttura coerente. I nomi delle apparecchiature possono differire tra il CMMS, il sistema di controllo, lo storico dei dati e i disegni tecnici.

Un sistema può identificare una pompa tramite il codice dell’impianto. Un altro può utilizzare una posizione funzionale, un numero di serie o una descrizione informale.

Risol­vere queste differenze è essenziale. Il modello predittivo deve collegare il comportamento dei sensori all’asset corretto, al periodo operativo, all’evento di manutenzione e alla condizione di guasto confermata.

Il team dovrebbe iniziare stabilendo una gerarchia comune degli asset. Ogni componente monitorato dovrebbe avere un’identità stabile nei sistemi di manutenzione e operativi.

Il passaggio successivo consiste nell’esaminare le prestazioni storiche. Tra le misure utili figurano il tempo medio tra i guasti, il tempo medio di riparazione, la manodopera per la manutenzione, la durata dei fermi, il costo dei pezzi di ricambio e la perdita di produzione.

L’analisi dovrebbe distinguere la manutenzione programmata da quella correttiva. Dovrebbe inoltre distinguere la sostituzione dei componenti da ispezioni, regolazioni, lubrificazione e interventi non correlati.

Per una turbina eolica, l’analisi storica può concentrarsi su cuscinetti, stadi del riduttore, sistemi di lubrificazione, raffreddamento del generatore, meccanismi di regolazione del passo e apparecchiature di conversione della potenza.

Gli ingegneri dovrebbero registrare la frequenza con cui ogni componente ha richiesto un intervento. Dovrebbero inoltre documentare i segnali di avvertimento osservati prima del guasto.

Le misurazioni precedenti delle vibrazioni possono rivelare una tendenza crescente. I campioni di olio possono mostrare un aumento delle particelle metalliche. Gli operatori possono aver segnalato variazioni del suono o temperature instabili.

Queste osservazioni aiutano a identificare variabili utili per la previsione. Inoltre, forniscono etichette per analisi supervisionate o semi-supervisionate.

Le condizioni operative devono essere incluse nella baseline. La velocità del vento, il carico del generatore, la velocità di rotazione, la temperatura ambiente e la modalità di controllo possono influire fortemente sulle letture dei sensori.

Un livello di vibrazione che appare anomalo a basso carico può essere accettabile durante la produzione a pieno regime. Anche il comportamento della temperatura può cambiare in base alle condizioni ambientali e alla richiesta di raffreddamento.

La baseline dovrebbe quindi descrivere il comportamento delle apparecchiature in diversi stati operativi. Un singolo valore medio è raramente sufficiente.

I problemi relativi alla qualità dei dati devono essere documentati anziché nascosti. Periodi mancanti, timestamp errati, sensori sostituiti, guasti di comunicazione e variazioni nella calibrazione possono distorcere l'addestramento del modello.

I team di manutenzione dovrebbero convalidare i dati storici con operatori e tecnici esperti. Le loro osservazioni spesso spiegano cambiamenti che non compaiono nei registri digitali.

Una riduzione improvvisa delle vibrazioni può sembrare positiva. Un tecnico potrebbe sapere che il sensore si è allentato nello stesso periodo.

Un aumento della corrente può suggerire un carico meccanico. Un operatore potrebbe spiegare che la domanda produttiva è aumentata perché un'altra unità non era disponibile.

Questi dettagli impediscono al team di analisi dei dati di costruire relazioni errate. Inoltre, rendono la baseline più rappresentativa del comportamento effettivo dell'impianto.

3. Definire le modalità di guasto prima di selezionare la tecnologia

La manutenzione predittiva dovrebbe concentrarsi su specifici meccanismi di guasto. Non dovrebbe tentare di rilevare ogni possibile problema attraverso un unico modello generale.

L'analisi dei modi e degli effetti dei guasti fornisce un metodo strutturato. Il team identifica come può guastarsi un componente, perché si guasta e quali conseguenze ne derivano.

Ogni modalità di guasto dovrebbe essere valutata in base a frequenza, gravità, rilevabilità e tempo di risposta disponibile.

Alcuni guasti si sviluppano lentamente e producono sintomi misurabili. Altri si verificano improvvisamente senza un periodo di preavviso utile.

Il monitoraggio predittivo crea il massimo valore quando il degrado inizia abbastanza presto da poter essere rilevato. Il periodo di preavviso deve inoltre consentire una pianificazione pratica della manutenzione.

I danni ai cuscinetti spesso si sviluppano progressivamente. I pattern di vibrazione, le emissioni acustiche, la temperatura, lo stato della lubrificazione e la corrente del motore possono mostrare cambiamenti prima del guasto completo.

Un componente elettronico può guastarsi con un deterioramento difficilmente misurabile. In tal caso, la ridondanza, la sostituzione preventiva o la disponibilità di ricambi a magazzino possono offrire un controllo del rischio migliore.

Il team dovrebbe confrontare la manutenzione predittiva con alternative più semplici. Un'ispezione a basso costo potrebbe già controllare efficacemente il rischio di guasto.

L'aggiunta di sensori, reti e analisi dei dati creerebbe quindi complessità senza un valore aggiuntivo sufficiente.

Le turbine eoliche presentano diverse importanti modalità di guasto delle apparecchiature rotanti. I denti degli ingranaggi possono usurarsi o incrinarsi. I cuscinetti possono sviluppare danni superficiali, problemi di lubrificazione o disallineamento.

Lo squilibrio dell'albero può aumentare le vibrazioni. L'allentamento strutturale può modificare il comportamento della risonanza. La contaminazione del lubrificante può accelerare l'usura di più componenti.

Questi problemi producono spesso sintomi sovrapposti. Un aumento della temperatura può derivare da attrito, lubrificazione insufficiente, guasto del sistema di raffreddamento o carico eccessivo.

Un singolo segnale raramente dimostra la causa principale. La strategia di monitoraggio dovrebbe combinare misurazioni complementari quando ciò è giustificato.

Le vibrazioni possono rivelare il modello delle frequenze meccaniche. L'analisi dell'olio può confermare la presenza di particelle di usura. La temperatura può indicare una crescente perdita di energia.

Il carico operativo fornisce un contesto essenziale. Insieme, queste misurazioni generano evidenze più solide di qualsiasi singolo valore.

L'analisi deve definire l'intervallo potenziale di guasto. È il periodo compreso tra il primo sintomo rilevabile e il guasto funzionale.

Un intervallo lungo consente di pianificare la manutenzione. Un intervallo molto breve può richiedere una protezione automatizzata anziché la normale pianificazione degli interventi.

Ad esempio, l'usura graduale di un cuscinetto può fornire settimane di preavviso. Un evento improvviso di sovravelocità richiede un'azione immediata di controllo o protezione.

La manutenzione predittiva non dovrebbe sostituire la protezione dei macchinari. Le due funzioni operano a diversi livelli di rischio e con diverse velocità di risposta.

La previsione supporta la pianificazione prima che si sviluppi la condizione pericolosa. I sistemi di protezione intervengono quando i limiti configurati indicano una minaccia immediata.

La revisione delle modalità di guasto dovrebbe produrre un'ipotesi di monitoraggio documentata. Dovrebbe spiegare quale segnale cambierà, perché cambierà e con quanto anticipo dovrebbe comparire il cambiamento.

Dovrebbe inoltre definire l'ispezione di manutenzione in grado di confermare la condizione sospetta. Questa conferma diventerà in seguito una preziosa informazione per l'addestramento.

Figura 2. I dati dei sensori diventano preziosi quando supportano conclusioni affidabili sulle condizioni dell'apparecchiatura e sui futuri requisiti di manutenzione. Immagine utilizzata per gentile concessione di Limble CMMS.

4. Abbinare i sensori al meccanismo fisico di guasto

La selezione dei sensori dovrebbe basarsi sull'analisi delle modalità di guasto. La domanda corretta non è quale sensore offra il maggior numero di funzionalità.

La domanda corretta è quale misurazione fisica riveli il degrado interessato con un preavviso sufficiente e un livello di affidabilità accettabile.

Le misurazioni comuni includono vibrazioni, temperatura, pressione, portata, corrente del motore, velocità, posizione, umidità, energia acustica e condizioni del lubrificante.

I metodi specializzati possono includere l'ispezione ultrasonica, l'emissione acustica, il controllo con particelle magnetiche, la radiografia, la termografia e l'analisi della firma elettrica.

Ogni metodo presenta vantaggi e limitazioni. Il monitoraggio delle vibrazioni è molto efficace per molti componenti rotanti, ma la posizione del sensore e la qualità del montaggio influenzano fortemente il risultato.

Il monitoraggio della temperatura è facile da implementare. Tuttavia, le variazioni di temperatura possono manifestarsi più tardi rispetto ai sintomi legati alle vibrazioni o alla lubrificazione.

L'analisi della corrente del motore può identificare variazioni del carico e alcune condizioni elettriche o meccaniche. Può richiedere un'attenta separazione dalle normali variazioni del processo.

L'emissione acustica può rilevare l'energia ad alta frequenza prodotta da attrito, crescita delle cricche, urti e deformazione dei materiali. Il rumore industriale può complicare l'interpretazione.

In una turbina eolica, la navicella e la torre trasmettono energia meccanica da diversi componenti. Questa struttura può supportare il monitoraggio acustico o vibrazionale da remoto.

Tuttavia, anche il percorso del segnale introduce complessità. Le attività del riduttore, del generatore, dei cuscinetti, delle pale e della struttura possono comparire nella stessa misurazione.

Gli ingegneri dovrebbero scegliere i punti di misurazione tenendo conto della struttura della macchina, dei percorsi dei carichi, delle posizioni dei cuscinetti, delle frequenze previste e dell'accessibilità.

Si dovrebbe evitare di installare i sensori solo nei punti in cui il cablaggio è più comodo. Una posizione comoda può produrre un segnale debole o fuorviante.

Il metodo di montaggio è importante. Un accelerometro montato correttamente su un prigioniero offre normalmente prestazioni migliori alle alte frequenze rispetto a un sensore magnetico fissato in modo lasco.

La gamma di frequenze selezionata deve corrispondere al guasto. Il movimento strutturale lento e gli impatti ad alta frequenza dei cuscinetti richiedono strategie di campionamento diverse.

Anche il campo di misura del sensore è importante. Un sensore con un campo di misura eccessivo può ridurre la risoluzione. Un sensore con un campo ristretto può saturare durante i transitori.

Le condizioni ambientali possono influire sull'affidabilità. È necessario considerare temperatura, umidità, polvere, olio, esposizione a sostanze chimiche, interferenze elettromagnetiche e urti meccanici.

Le aree pericolose possono richiedere apparecchiature omologate, barriere adeguate e metodi di installazione conformi. Gli asset remoti possono richiedere comunicazioni a basso consumo e il buffering locale dei dati.

L'architettura di monitoraggio dovrebbe distinguere tra misurazioni continue e periodiche. Per le apparecchiature critiche può essere giustificata una raccolta continua.

Per le apparecchiature meno critiche si possono utilizzare sensori wireless o percorsi di ispezione dei tecnici. Il metodo corretto dipende dalla rapidità del guasto, dall'importanza dell'asset e dal suo valore economico.

La ridondanza dei sensori dovrebbe essere selettiva. L'installazione di più tecnologie può migliorare la diagnosi, ma le misurazioni non necessarie aumentano i costi di manutenzione e gestione dei dati.

Un programma per i riduttori può combinare vibrazioni, particelle nell'olio, temperatura e carico. Un semplice ventilatore può richiedere soltanto vibrazioni e corrente del motore.

Devono essere monitorati anche la calibrazione, lo stato dei sensori e lo stato delle comunicazioni. In caso contrario, un sensore guasto può sembrare indicare un comportamento stabile dell'apparecchiatura.

Il sistema dovrebbe identificare segnali piatti, valori impossibili, rumore eccessivo, lacune nei dati e deriva graduale dei sensori.

L’elaborazione edge può ridurre il traffico di rete calcolando le caratteristiche vicino all’asset. Tra gli esempi figurano il valore quadratico medio delle vibrazioni, il fattore di cresta, la curtosi, i picchi spettrali e la velocità di variazione della temperatura.

La conservazione delle forme d’onda grezze rimane utile per le analisi. Tuttavia, archiviare indefinitamente ogni forma d’onda ad alta frequenza può generare costi superflui.

Un approccio equilibrato archivia continuamente le caratteristiche calcolate. Conserva i dati grezzi relativi ad anomalie, transizioni operative ed eventi di guasto confermati.

Anche i componenti industriali per sensori e monitoraggio dovrebbero rimanere manutenibili per tutto il ciclo di vita del programma. La disponibilità dei ricambi, la documentazione e la compatibilità del sistema influiscono sull’affidabilità a lungo termine.

Le strutture che stanno esaminando la propria architettura di monitoraggio possono confrontare componenti adatti per il monitoraggio dei macchinari per applicazioni relative a vibrazioni, posizione, velocità e condizioni delle apparecchiature.

5. Preparare i dati e sviluppare il modello analitico

L’installazione dei sensori dà inizio alla fase di sviluppo dei dati. Non crea immediatamente un modello predittivo affidabile.

I dati industriali grezzi contengono rumore, valori mancanti, transizioni operative, interruzioni delle comunicazioni e variazioni legate alla manutenzione. Queste condizioni devono essere gestite sistematicamente.

Il primo requisito è un’accurata sincronizzazione temporale. I dati dei sensori, i valori di processo, gli eventi di allarme e i registri di manutenzione devono utilizzare timestamp compatibili.

Pochi minuti di disallineamento possono creare relazioni false. Questo problema diventa grave durante rapidi cambiamenti operativi o eventi di guasto.

Anche le frequenze di campionamento devono essere adeguate alla misurazione. La temperatura può richiedere una lettura al minuto. L’analisi delle vibrazioni può richiedere migliaia di campioni al secondo.

Gli ingegneri dei dati spesso convertono i segnali grezzi in caratteristiche delle condizioni. Queste caratteristiche riducono il volume dei dati ed evidenziano i modelli associati al deterioramento.

Tra le caratteristiche utili delle vibrazioni rientrano l’ampiezza complessiva, l’energia spettrale, le bande laterali, le armoniche, i valori dell’inviluppo, il fattore di cresta e la curtosi.

Le caratteristiche della temperatura possono includere il valore assoluto, la differenza rispetto alla temperatura ambiente, la velocità di variazione e lo scostamento rispetto a un asset comparabile.

Le caratteristiche attuali possono includere la domanda normalizzata rispetto al carico, il contenuto armonico, lo squilibrio di fase e le variazioni durante condizioni operative equivalenti.

Il contesto operativo dovrebbe rimanere parte del dataset. I modelli addestrati senza velocità, carico, stato di produzione o condizioni ambientali potrebbero confondere la normale variabilità con un danno all’apparecchiatura.

Una turbina eolica produce firme diverse al variare delle condizioni del vento. Anche l’avviamento, l’arresto, la regolazione del passo, la frenatura e gli eventi di rete creano variazioni temporanee.

Il modello dovrebbe riconoscere o escludere queste transizioni. In caso contrario, potrebbe generare frequenti allarmi ogni volta che cambia lo stato operativo.

La selezione del modello dipende dalle etichette disponibili. Se gli esempi storici di guasto sono ben documentati, può essere possibile ricorrere all’apprendimento supervisionato.

In molte strutture, gli esempi di guasti confermati sono limitati. I metodi non supervisionati o semi-supervisionati possono quindi offrire un punto di partenza pratico.

Un modello del comportamento normale apprende la relazione prevista tra i segnali durante il funzionamento regolare. Identifica quindi le deviazioni da tale relazione.

Questo approccio è spesso utile perché i dati relativi al funzionamento normale sono più abbondanti di quelli relativi ai guasti.

Tuttavia, un’anomalia non è automaticamente un guasto. Indica soltanto che il comportamento attuale differisce dal riferimento appreso.

Gli ingegneri devono determinare se il cambiamento riflette un deterioramento, una variazione del processo, un’attività di manutenzione, problemi ai sensori o una modalità operativa non rappresentata.

Il modello dovrebbe essere suddiviso in periodi di addestramento, convalida e test. Dividere casualmente i singoli campioni può produrre risultati fuorvianti.

I dati industriali delle serie temporali contengono forti relazioni tra misurazioni adiacenti. Il periodo di test dovrebbe quindi includere periodi operativi o cronologie degli asset separati.

Le metriche delle prestazioni dovrebbero riflettere le esigenze della manutenzione. L’accuratezza generale può essere fuorviante perché gli eventi di guasto sono rari.

Tra le misure utili rientrano precisione, richiamo, falsi allarmi al mese, eventi non rilevati, tempo di preavviso e percentuale di allerte attuabili.

Ad esempio, un modello potrebbe identificare ogni problema dei cuscinetti. Tuttavia, potrebbe anche generare dieci falsi allarmi ogni settimana.

Il personale addetto alla manutenzione perderà rapidamente fiducia. Il modello potrebbe essere tecnicamente sensibile, ma inutilizzabile dal punto di vista operativo.

Anche il risultato analitico deve essere spiegabile. Gli ingegneri dovrebbero vedere quali variabili sono cambiate e in che modo il pattern differisce dalla baseline.

Un avviso che si limita a indicare “anomalia rilevata” offre un valore diagnostico limitato. Un avviso migliore identifica l’aumento delle vibrazioni del riduttore vicino a una frequenza specifica.

Può inoltre mostrare un aumento della temperatura e un peggioramento della tendenza a parità di carico. Queste informazioni supportano un’ispezione mirata.

La documentazione del modello dovrebbe registrare il periodo di addestramento, gli asset inclusi, le condizioni operative, i dati esclusi, le variabili di input e i limiti previsti.

Questo registro diventa essenziale quando l’apparecchiatura viene modificata, i sensori vengono sostituiti o il processo produttivo cambia.

6. Migliorare il modello attraverso gli esiti confermati della manutenzione

I modelli predittivi richiedono un apprendimento continuo. La prima versione distribuita dovrebbe essere considerata una release ingegneristica controllata, non un prodotto finito.

I modelli iniziali spesso dipendono da dati etichettati da ingegneri e data scientist. Nel tempo, il sistema riceve una quantità maggiore di dati storici sul funzionamento e di evidenze derivanti dalla manutenzione.

Ogni allerta crea un’opportunità di apprendimento. Il team di manutenzione dovrebbe registrare se la condizione prevista è stata confermata, confermata parzialmente o respinta.

L’ispezione dovrebbe descrivere le condizioni effettive del componente. Foto, misurazioni, risultati dell’analisi dell’olio, componenti sostituiti e osservazioni dei tecnici possono fornire prove preziose.

Un semplice stato «intervento completato» non è sufficiente. Non spiega se il modello abbia identificato il problema corretto.

Il CMMS dovrebbe acquisire codici di guasto strutturati e osservazioni in testo libero. Entrambi i tipi di informazione sono utili.

I codici strutturati supportano l'analisi di numerosi eventi. Le note dei tecnici forniscono dettagli che le categorie predefinite possono non rilevare.

Per una turbina eolica, un modello può indicare un aumento dell'attrito nel riduttore. L'ispezione può rivelare una contaminazione del lubrificante anziché un danno agli ingranaggi.

Il modello ha comunque fornito un avviso utile. Tuttavia, la causa confermata dovrebbe essere inclusa nelle analisi future.

Questo feedback aiuta a distinguere i meccanismi di guasto correlati. Inoltre migliora le raccomandazioni di manutenzione.

I modelli possono andare incontro a deriva quando cambiano le apparecchiature o le operazioni. Un nuovo lubrificante, un motore sostitutivo, una modifica alla regolazione dei controlli o un aumento della produzione possono alterare il comportamento normale.

Anche le condizioni stagionali possono influire sulla baseline. I macchinari all'aperto possono essere soggetti a variazioni significative di temperatura e umidità.

Il monitoraggio del modello dovrebbe tenere traccia delle distribuzioni degli input, dei tassi di anomalia, dell'affidabilità delle previsioni e delle prestazioni confermate degli avvisi.

Un improvviso aumento degli avvisi può indicare un deterioramento reale su diversi asset. Può anche indicare problemi ai sensori o un cambiamento operativo.

Il riaddestramento dovrebbe seguire un processo controllato. Il team non dovrebbe accettare automaticamente ogni nuovo schema operativo come normale.

Un asset in deterioramento può continuare a funzionare per mesi. Includere quel periodo nei dati di addestramento come se fosse sano indebolirebbe il modello.

Gli ingegneri dovrebbero approvare le finestre di addestramento ed escludere i periodi anomali non risolti. Il controllo delle versioni dovrebbe preservare il comportamento precedente del modello.

Quando viene rilasciato un nuovo modello, le sue prestazioni dovrebbero essere confrontate con quelle della versione esistente. Un'implementazione in modalità shadow può valutare il nuovo modello senza affidargli il controllo delle decisioni di manutenzione.

Questo processo crea una governance tecnica. Inoltre impedisce che modifiche analitiche non testate interrompano la pianificazione della manutenzione.

7. Convertire i risultati analitici in livelli di allerta pratici

Le soglie degli avvisi collegano l'output del modello all'azione di manutenzione. Soglie inadeguate possono rendere inefficace anche un modello altrimenti valido.

Una soglia eccessivamente sensibile genera lavoro non necessario. Una soglia troppo alta potrebbe fornire un avviso solo poco prima del guasto.

La progettazione delle soglie dovrebbe coinvolgere specialisti della manutenzione, dell'affidabilità, delle operazioni e dei dati. Ogni gruppo apporta conoscenze diverse.

Gli specialisti dei dati comprendono l'affidabilità del modello e il comportamento delle distribuzioni. Gli ingegneri dell'affidabilità conoscono i modelli di degrado.

I responsabili della pianificazione della manutenzione conoscono la preparazione degli interventi e i tempi di approvvigionamento delle risorse. I team operativi conoscono i vincoli di produzione e il rischio operativo accettabile.

Invece di un unico livello di allarme, molte applicazioni traggono vantaggio da diverse fasi. Ogni fase dovrebbe corrispondere a una risposta definita.

Un livello di avviso può indicare una deviazione ridotta ma persistente. La risposta può prevedere la revisione della tendenza e un monitoraggio più frequente.

Un allarme di manutenzione può indicare un deterioramento in corso. La risposta può prevedere la pianificazione dell’ispezione, il controllo dei ricambi e la preparazione dell’ordine di lavoro.

Un allarme critico può indicare una progressione rapida. La risposta può richiedere una riduzione del carico, un’ispezione immediata o un arresto controllato.

Le soglie dovrebbero considerare sia l’entità sia la durata. Un picco breve può derivare da una transizione operativa.

Una deviazione più contenuta che persiste per diversi giorni può indicare una condizione più importante.

Anche la velocità di variazione è importante. Una vibrazione in aumento lento e una in aumento rapido non dovrebbero determinare priorità identiche.

Più segnali possono aumentare il livello di confidenza. Un’anomalia delle vibrazioni associata a variazioni della temperatura e dei detriti nell’olio merita maggiore attenzione.

Le regole di soppressione degli allarmi devono essere progettate con attenzione. I periodi di manutenzione, le sequenze di avviamento, i guasti noti dei sensori e i test pianificati possono richiedere una gestione temporanea.

Tuttavia, la soppressione dovrebbe rimanere visibile e verificabile. Una soppressione nascosta o indefinita può celare un rischio reale per l’apparecchiatura.

Ogni allarme dovrebbe contenere informazioni sufficienti per agire. Dovrebbe identificare l’asset, la condizione sospetta, la tendenza, il livello di confidenza e il passaggio successivo consigliato.

Dovrebbe inoltre mostrare il contesto operativo pertinente. Questo può includere carico, velocità, temperatura e confronto con asset simili.

Il programma dovrebbe misurare la qualità degli allarmi. Tra le misure utili rientrano il tasso di falsi allarmi, il tempo di risposta, i risultati confermati, il periodo di preavviso e i guasti evitati.

Lo scopo non è massimizzare il numero di allarmi. Lo scopo è fornire un numero gestibile di decisioni di manutenzione affidabili.

Figura 3. La manutenzione predittiva dipende da un ciclo continuo tra apparecchiature fisiche, analisi digitali e azioni sul campo verificate. Immagine utilizzata per gentile concessione di Limble CMMS.

8. Collegare il rilevamento delle anomalie all’esecuzione degli interventi nel CMMS

Una previsione crea valore solo quando porta a un’azione appropriata sul campo. Questo passaggio finale chiude il ciclo dal fisico al digitale e di nuovo al fisico.

Innanzitutto, i sensori misurano le condizioni dell’apparecchiatura fisica. I dati vengono trasferiti, ripuliti, contestualizzati e analizzati all’interno dei sistemi digitali.

L’informazione ottenuta deve poi tornare all’operazione fisica. Il personale addetto alla manutenzione ispeziona, regola, lubrifica, ripara o sostituisce il componente interessato.

Il CMMS fornisce il collegamento operativo tra analisi ed esecuzione della manutenzione. Converte i risultati tecnici in attività pianificate.

L’integrazione può iniziare con un semplice processo di revisione. Un tecnico verifica l’allarme prima di creare una richiesta di intervento.

I sistemi più maturi possono creare automaticamente notifiche o bozze di ordini di lavoro. Potrebbe essere comunque necessaria l’approvazione umana prima della programmazione.

La creazione completamente automatica degli ordini di lavoro dovrebbe essere utilizzata in modo selettivo. Un’automazione governata male può inondare il CMMS di attività duplicate o di scarso valore.

Ogni ordine di lavoro dovrebbe contenere la condizione prevista, i trend di supporto, l’ispezione raccomandata, le competenze necessarie e le considerazioni pertinenti sulla sicurezza.

Il pacchetto di lavoro può includere anche ricambi, strumenti, procedure, permessi e il tempo stimato per il completamento.

Nell’esempio della turbina eolica, il motore predittivo può rilevare una condizione anomala in evoluzione a carico di un cuscinetto. Può stimare che sia necessario intervenire entro quattro settimane.

Il CMMS può verificare la disponibilità di cuscinetti di ricambio, i turni dei tecnici, la necessità di una gru e altri interventi pianificati nello stesso luogo.

Il pianificatore della manutenzione può quindi selezionare una finestra di intervento adeguata. Ciò evita la mobilitazione d’emergenza e riduce la perdita di produzione.

L’ordine di lavoro deve registrare i risultati finali. Il tecnico dovrebbe confermare se erano presenti danni ai cuscinetti, perdita di lubrificazione, allentamento o un’altra condizione.

Il componente rimosso può essere sottoposto a ulteriori ispezioni. Le analisi di laboratorio possono fornire ulteriori prove sull’evoluzione del guasto.

Questi risultati rientrano nell’ambiente di analisi. Migliorano le etichette dei modelli, le impostazioni delle soglie e le raccomandazioni di manutenzione.

L’integrazione con il CMMS supporta anche l’analisi finanziaria. L’organizzazione può confrontare gli interventi predittivi con le precedenti riparazioni d’emergenza.

Può misurare la manodopera, i componenti, i tempi di fermo, i danni evitati e l’impatto sulla produzione. Questi risultati dimostrano se il programma genera valore economico.

L’integrazione dovrebbe mantenere una chiara attribuzione delle responsabilità. I team dell’affidabilità possono essere responsabili della convalida tecnica, mentre i pianificatori della manutenzione possono occuparsi della programmazione degli interventi.

Il personale operativo può approvare le modifiche alla produzione. I team dei dati possono mantenere le prestazioni dei modelli e l’infrastruttura dei dati.

La responsabilità non dovrebbe venire meno tra i sistemi. Ogni avviso deve avere un responsabile designato e un tempo di risposta definito.

Le organizzazioni dovrebbero inoltre pianificare i guasti delle comunicazioni. Le informazioni critiche possono richiedere l’archiviazione locale, la sincronizzazione differita o metodi di notifica alternativi.

Le apparecchiature remote non possono dipendere interamente da una connessione continua al cloud. I sistemi edge dovrebbero conservare i dati importanti durante le interruzioni.

Il ciclo completo diventa più efficace a ogni evento confermato. I dati dei sensori migliorano le previsioni, le previsioni migliorano la pianificazione della manutenzione e i risultati della manutenzione migliorano i modelli futuri.

Mantenere separata la previsione dalla protezione dei macchinari

La manutenzione predittiva e la protezione dei macchinari utilizzano spesso misurazioni correlate. I loro obiettivi e requisiti di risposta rimangono diversi.

Un sistema predittivo identifica il deterioramento graduale e supporta interventi pianificati. Può operare nell’arco di giorni, settimane o mesi.

Un sistema di protezione reagisce alle condizioni pericolose entro secondi o millisecondi. Il suo scopo è prevenire danni catastrofici o un funzionamento non sicuro.

L’analisi predittiva non dovrebbe ritardare né ignorare la logica di arresto stabilita. Le funzioni di protezione devono rimanere deterministiche, validate e adeguatamente indipendenti.

Per esempio, un modello di vibrazione di una turbina può individuare un guasto al cuscinetto in lento sviluppo. La manutenzione può programmare un’ispezione durante una fermata pianificata imminente.

Se la vibrazione raggiunge il limite di pericolo configurato, il sistema di protezione dei macchinari può avviare un intervento automatico. Tale risposta non può dipendere da un modello cloud o da un’approvazione ritardata.

I sistemi possono comunque condividere il contesto ingegneristico. Gli eventi di protezione possono fornire etichette preziose per l’analisi predittiva.

Le tendenze predittive possono inoltre aiutare gli ingegneri a riesaminare le impostazioni degli allarmi e degli interventi automatici. Qualsiasi modifica alle impostazioni di protezione deve seguire procedure formali di ingegneria.

Gli impianti che utilizzano apparecchiature rotanti critiche possono impiegare piattaforme dedicate come il sistema di protezione dei macchinari Bently Nevada 3500 insieme a piattaforme più ampie per il monitoraggio delle condizioni e l’analisi della manutenzione.

L’architettura dovrebbe definire la titolarità dei dati, le frequenze di aggiornamento, i confini di sicurezza informatica e i flussi informativi consentiti tra i sistemi.

Questa separazione tutela la sicurezza e la disponibilità. Impedisce inoltre che le aspettative sulla manutenzione predittiva vengano applicate a funzioni di protezione in tempo reale non adatte a tale scopo.

Misurare i risultati attraverso gli esiti della manutenzione e della produzione

Un programma di manutenzione predittiva non dovrebbe essere valutato in base al numero di sensori, al numero di dashboard o al volume di dati archiviati.

Queste cifre descrivono l’attività tecnica. Non dimostrano che l’organizzazione abbia migliorato l’affidabilità.

Le misure delle prestazioni dovrebbero collegarsi direttamente ai risultati della manutenzione e della produzione. Tra le misure utili figurano i guasti evitati, la riduzione dei tempi di fermo e periodi di preavviso più lunghi.

Le organizzazioni possono inoltre monitorare gli interventi d’emergenza, la percentuale di lavoro pianificato, la manodopera di manutenzione, il consumo di pezzi di ricambio e la disponibilità degli asset.

Il tempo medio tra i guasti può migliorare nell’arco di diversi anni. I programmi pilota hanno bisogno anche di misure i cui effetti diventino visibili prima.

La precisione degli avvisi fornisce un primo indicatore. Misura la frequenza con cui un avviso identifica una condizione confermata che richiede un’azione.

Il tempo medio di preavviso mostra se il sistema fornisce tempo sufficiente per la pianificazione. Una previsione corretta che arriva un’ora prima del guasto può offrire poco valore alla manutenzione.

La percentuale di interventi pianificati mostra se le previsioni stanno modificando l’esecuzione del lavoro. La riduzione degli acquisti d’emergenza può fornire un altro beneficio misurabile.

Per le apparecchiature ad alta intensità energetica, il programma può individuare perdite di efficienza prima del guasto funzionale. Correggere disallineamenti, attrito o incrostazioni può ridurre il consumo energetico.

I processi sensibili alla qualità possono beneficiare di prestazioni stabili delle apparecchiature. Un azionamento, una valvola o un dispositivo di misurazione deteriorato può influire sulla costanza del prodotto.

I calcoli aziendali dovrebbero includere i costi di implementazione e operativi. I sensori richiedono manutenzione. Il software richiede supporto. I modelli richiedono revisione e riaddestramento.

Dovrebbero essere inclusi anche i costi di rete, archiviazione, integrazione e cybersicurezza. Escludere questi costi produce una stima irrealistica del ritorno.

Un semplice calcolo del valore può confrontare i benefici annuali attesi con i costi annualizzati del programma. I benefici possono includere tempi di inattività evitati, riduzione dei danni secondari e minori costi della manodopera d’emergenza.

L’organizzazione dovrebbe distinguere i risparmi confermati dalla riduzione stimata del rischio. Entrambi sono importanti, ma non dovrebbero essere presentati come risultati identici.

Ad esempio, un difetto del cuscinetto individuato può prevenire un guasto effettivo. Il relativo costo evitato può essere stimato utilizzando la cronologia dei guasti precedenti.

Un avviso che non ha prodotto alcun difetto confermato non dovrebbe ricevere automaticamente lo stesso valore finanziario.

Le analisi dei casi dovrebbero documentare le prove alla base di ogni beneficio. Questo approccio crea credibilità presso i responsabili delle operations e della finanza.

Inoltre, aiuta il team a identificare quali asset e modalità di guasto offrono il ritorno più elevato.

Evita i guasti più comuni della manutenzione predittiva

Molti programmi di manutenzione predittiva incontrano problemi simili. Riconoscerli tempestivamente può proteggere il progetto pilota da costi inutili.

Il primo problema è scegliere un asset perché è conveniente. Le apparecchiature facilmente accessibili possono essere semplici da strumentare, ma il loro guasto può avere un impatto operativo ridotto.

Il secondo problema è raccogliere dati senza definire le modalità di guasto. Il sistema produce quindi tendenze senza spiegare cosa dovrebbe essere ispezionato.

Il terzo problema è ignorare il contesto operativo. Variazioni del carico, della velocità, del grado del prodotto o della temperatura ambiente possono sembrare segnali di deterioramento.

Il quarto problema è fare affidamento su una scarsa identificazione degli asset. I dati dei sensori e i registri di manutenzione non possono essere collegati in modo affidabile quando i nomi delle apparecchiature differiscono tra i sistemi.

Il quinto problema è utilizzare i registri storici di manutenzione senza convalida. Gli ordini di lavoro possono contenere descrizioni incomplete, incoerenti o copiate.

Il sesto problema è misurare le prestazioni del modello solo attraverso l’accuratezza generale. I guasti rari possono far apparire efficace un modello inefficace.

Il settimo problema è generare troppi avvisi. I frequenti falsi allarmi riducono la fiducia e incoraggiano il personale a ignorare il sistema.

L’ottavo problema è fornire avvisi senza azioni consigliate. I team di manutenzione hanno bisogno di indicazioni per l’ispezione, non solo di punteggi numerici di anomalia.

Il nono problema è escludere i tecnici dallo sviluppo. Il personale sul campo conosce i rumori di funzionamento, i difetti ricorrenti, le scorciatoie di manutenzione e la storia delle apparecchiature.

Il decimo problema è aumentare la scala prima che il progetto pilota diventi stabile. Espandere un modello immaturo moltiplica i problemi di qualità dei dati e il carico di lavoro per la gestione degli avvisi.

Anche la cybersecurity può diventare un rischio trascurato. Nuovi sensori e gateway ampliano la superficie di attacco industriale.

I dispositivi dovrebbero utilizzare accesso controllato, configurazione sicura, firmware documentato, segmentazione di rete e un’autenticazione adeguata.

La connettività cloud dovrebbe seguire le policy del sito e le valutazioni dei rischi. L’accesso remoto non deve creare un percorso non controllato verso le reti di controllo critiche.

Le organizzazioni dovrebbero inoltre evitare di dipendere da un solo specialista. Il sistema ha bisogno di responsabilità documentate, procedure operative e responsabilità di supporto.

Un modello che solo un data scientist comprende è difficile da mantenere. Un sistema di monitoraggio che i tecnici non riescono a diagnosticare finirà per perdere dati.

I programmi di successo trattano la manutenzione predittiva come un sistema industriale soggetto a manutenzione. Applicano il controllo della configurazione, la revisione delle prestazioni e la pianificazione del ciclo di vita.

Passare da un progetto pilota a uno standard di sito ripetibile

Un progetto pilota di successo non diventa automaticamente un programma aziendale di successo. Scalare richiede standardizzazione senza ignorare le differenze tra le apparecchiature.

Il primo passo per scalare consiste nel documentare l’architettura del progetto pilota. Ciò include sensori, gateway, strutture dei tag, frequenze di campionamento, feature, modelli, soglie e flussi di lavoro del CMMS.

Il team dovrebbe identificare gli elementi riutilizzabili. L’identificazione degli asset, i controlli di cybersecurity, i formati delle dashboard e i campi degli ordini di lavoro possono diventare standard di sito.

I modelli di guasto possono richiedere una personalizzazione maggiore. Un modello per una pompa non può essere applicato direttamente a un trasformatore o a un azionamento servo.

Anche pompe simili possono funzionare con carichi, fluidi, velocità e condizioni delle tubazioni differenti. La convalida locale rimane necessaria.

L’organizzazione può creare template per le classi di asset più comuni. Un template per un motore può includere vibrazioni, corrente, temperatura, velocità e informazioni sullo stato operativo.

Un template per una pompa centrifuga può aggiungere pressione di aspirazione, pressione di mandata, portata e condizioni della tenuta.

Un template per un riduttore può includere velocità dell’albero, spettri di vibrazione, condizioni dell’olio e carico. Questi template riducono l’impegno ingegneristico preservando al contempo la rilevanza tecnica.

La selezione degli asset dovrebbe proseguire attraverso l’analisi della criticità e delle modalità di guasto. Scalare non dovrebbe significare installare sensori su ogni macchina.

Una strategia a livelli è spesso più efficace. Gli asset critici ricevono un monitoraggio online continuo.

Gli asset importanti possono essere sottoposti a monitoraggio wireless con una frequenza inferiore. Gli asset non critici possono rimanere soggetti a ispezioni periodiche o a manutenzione preventiva.

Anche l’architettura dei dati deve poter scalare. Convenzioni di denominazione, unità di misura, marcature temporali, indicatori di qualità e gerarchie degli asset dovrebbero rimanere coerenti.

Senza questi standard, ogni nuovo sito crea un altro set di dati isolato. L’analisi a livello aziendale diventa quindi difficile e costosa.

La governance dei modelli dovrebbe definire chi può approvare le modifiche. Dovrebbe inoltre definire i requisiti per i test, il rilascio, il ripristino e la revisione delle prestazioni.

La formazione è altrettanto importante. Gli operatori devono comprendere il significato degli avvisi. I responsabili della pianificazione della manutenzione devono sapere in che modo le previsioni influenzano la priorità degli interventi.

I tecnici hanno bisogno di procedure per verificare le condizioni previste. Gli ingegneri dell’affidabilità hanno bisogno di strumenti per esaminare le evidenze del modello e gli esiti della manutenzione.

La leadership dovrebbe ricevere indicatori operativi, non dettagli tecnici del modello. Deve poter valutare la disponibilità, i fermi macchina evitati, l’efficienza della manutenzione e il valore economico.

La roadmap di scalabilità dovrebbe rimanere incrementale. Ogni espansione dovrebbe utilizzare gli insegnamenti tratti dalla precedente classe di asset o dal precedente sito.

Questo approccio riduce il rischio e preserva la fiducia dell’organizzazione. Garantisce inoltre che il programma cresca perché funziona, non perché la tecnologia appare impressionante.

Iniziate da un problema di valore e chiudete il ciclo

La manutenzione predittiva è più efficace quando inizia da un rischio dell’apparecchiatura chiaramente definito. Il programma dovrebbe mirare a una modalità di guasto osservabile e a una decisione di manutenzione pratica.

Selezionate un asset per il quale un allarme tempestivo generi un valore misurabile. Costruite una baseline affidabile sulla base dello storico operativo e manutentivo.

Identificate i meccanismi fisici di guasto prima di scegliere i sensori. Abbinate ogni misurazione a un’ipotesi tecnica sul deterioramento.

Preparate attentamente i dati e includete il contesto operativo. Selezionate metodi analitici adatti alle evidenze di guasto disponibili.

Migliorate il modello attraverso gli esiti confermati delle ispezioni e delle riparazioni. Stabilite livelli di allerta corrispondenti ad azioni di manutenzione chiare.

Infine, collegate il motore di previsione alla pianificazione del CMMS e all’esecuzione sul campo. I risultati delle attività di manutenzione completate devono tornare al modello.

Le organizzazioni dovrebbero iniziare con uno o due asset critici. Dovrebbero evitare la tentazione di coprire immediatamente un intero impianto.

Un progetto pilota mirato consente al team di ingegneria di convalidare il rilevamento, l’analisi, i flussi di lavoro e il valore economico senza un’eccessiva complessità.

Quando il ciclo funziona in modo costante, l’organizzazione può estenderlo ad apparecchiature simili e ad altre modalità di guasto.

I programmi di manutenzione predittiva più maturi non sono definiti dalla sola intelligenza artificiale. Combinano la tecnologia con un’ingegneria dell’affidabilità rigorosa e un’esecuzione pratica della manutenzione.

Il risultato non è semplicemente una maggiore quantità di dati. Sono informazioni disponibili prima, una pianificazione migliore, meno emergenze e operazioni industriali più affidabili.