La manutenzione predittiva non è automaticamente la strategia migliore

La manutenzione predittiva è diventata una delle strategie più promosse nella produzione moderna. I fornitori la associano spesso all’intelligenza artificiale, ai sensori intelligenti, all’analisi industriale e alla trasformazione digitale.

La promessa alla base è allettante. Uno stabilimento monitora lo stato delle apparecchiature, prevede i guasti in fase di sviluppo ed esegue la manutenzione prima che si verifichi il guasto. La produzione prosegue con meno interruzioni. I pezzi di ricambio vengono ordinati in anticipo. I team di manutenzione evitano ispezioni non necessarie.

Tuttavia, la manutenzione predittiva non è un pacchetto software che migliora immediatamente ogni stabilimento. È un modello operativo che dipende da dati affidabili, asset idonei, sistemi integrati, pratiche di manutenzione disciplinate e supporto organizzativo.

Un’implementazione preparata male può creare costi aggiuntivi senza ridurre i guasti. Gli stabilimenti possono installare sensori che producono letture inutilizzabili. Gli ingegneri possono ricevere centinaia di allarmi senza conclusioni utili. I team di manutenzione possono diffidare del sistema perché le previsioni non corrispondono alle condizioni sul campo.

La domanda più importante, quindi, non è se la manutenzione predittiva sia utile. La vera domanda è se lo stabilimento sia pronto a utilizzarla efficacemente.

La preparazione dipende da diversi fattori interconnessi. La direzione deve sostenere il programma. Gli asset devono presentare indicatori di guasto misurabili. I sensori devono raccogliere dati affidabili sulle condizioni. Le reti di comunicazione devono trasportare tali dati. Il software deve interpretarli nel corretto contesto operativo.

Il personale addetto alla manutenzione deve inoltre comprendere le apparecchiature e il sistema analitico. I dati storici devono essere sufficientemente accurati. Il beneficio economico previsto deve giustificare i costi di implementazione e di gestione.

Quando queste condizioni mancano, la manutenzione predittiva potrebbe non essere la scelta immediata corretta. La manutenzione preventiva, la manutenzione basata sulle condizioni o procedure di ispezione migliorate possono offrire risultati migliori.

Ciò non significa che uno stabilimento debba abbandonare definitivamente la manutenzione predittiva. Significa che dovrebbe colmare le proprie lacune di preparazione prima di investire in un’implementazione su larga scala.

Figura 1. La manutenzione predittiva richiede il supporto della direzione perché l’implementazione influisce sui budget, sull’accesso alla produzione, sulle risorse di ingegneria e sulle pratiche operative a lungo termine.

Il supporto della direzione deve estendersi oltre l’approvazione del progetto

I reparti di ingegneria e manutenzione spesso comprendono i potenziali vantaggi della manutenzione predittiva. Vedono guasti ricorrenti ai cuscinetti, arresti imprevisti dei motori e perdite di produzione causate da riparazioni d’emergenza.

L'alta dirigenza potrebbe comunque esitare. Il ritorno previsto potrebbe sembrare difficile da misurare. Il progetto potrebbe richiedere nuovi sensori, abbonamenti software, infrastrutture di rete, formazione e supporto specialistico.

Ottenere l'approvazione per un progetto pilota non è sufficiente. La manutenzione predittiva modifica il modo in cui diversi reparti collaborano. I team di produzione devono rendere disponibili le apparecchiature per l'installazione dei sensori. I team di tecnologia dell'informazione potrebbero dover approvare le connessioni di rete. I team acquisti devono supportare i nuovi contratti di servizio.

I team operativi devono documentare le condizioni di processo che influenzano il comportamento delle apparecchiature. Gli ingegneri dell'affidabilità devono definire i modi di guasto e i criteri di allarme. I pianificatori della manutenzione devono tradurre i risultati delle analisi in ordini di lavoro.

Senza il sostegno della direzione, questi gruppi potrebbero considerare il progetto un esperimento ingegneristico. L'accesso alla produzione diventa difficile. La formazione viene rinviata. Gli aggiornamenti della strumentazione perdono priorità di budget. I risultati delle analisi rimangono al di fuori del processo di pianificazione della manutenzione.

Il sostegno della direzione deve includere una chiara attribuzione delle responsabilità. Una persona o un gruppo direttivo dovrebbe essere responsabile dei risultati aziendali. Il programma dovrebbe avere obiettivi definiti, un budget approvato e accesso alle risorse necessarie dell'impianto.

La direzione dovrebbe inoltre comprendere che i primi risultati potrebbero essere imperfetti. Un modello predittivo richiede dati operativi e validazione sul campo. Le soglie di allarme di solito richiedono modifiche. Il posizionamento dei sensori potrebbe dover essere corretto dopo il primo ciclo di ispezione.

Un'implementazione realistica include un periodo di apprendimento. I dirigenti non dovrebbero aspettarsi che ogni sensore installato generi risparmi immediati.

Dovrebbero invece esaminare indicatori misurabili. Questi possono includere una riduzione degli interventi di emergenza, il rilevamento più precoce dei guasti, un minor numero di guasti ricorrenti, una riduzione dei danni secondari e una pianificazione della manutenzione migliorata.

Un impianto non è pronto quando la direzione sostiene il progetto solo a parole. Il sostegno deve riflettersi nei budget, nelle decisioni relative al personale, nei programmi di produzione e nelle responsabilità dei reparti.

La manutenzione predittiva non può avere successo senza i sensori giusti

La manutenzione predittiva dipende da cambiamenti misurabili che si verificano prima del guasto dell'apparecchiatura. Questi cambiamenti possono includere vibrazioni, temperatura, pressione, emissioni acustiche, condizioni del lubrificante, corrente elettrica, velocità o movimento posizionale.

La strumentazione tradizionale potrebbe non raccogliere queste variabili. Una macchina potrebbe avere solo un manometro locale e un relè di sovraccarico del motore di base. Questi dispositivi possono proteggere il processo, ma potrebbero non rivelare un degrado meccanico in fase di sviluppo.

Un rilevatore di temperatura a resistenza standard può indicare la temperatura di un cuscinetto. Tuttavia, potrebbe rilevare un problema di lubrificazione solo dopo che si è sviluppato un attrito significativo. Un sensore di vibrazioni scelto correttamente può identificare il guasto prima.

Il sensore deve inoltre essere adatto alla modalità di guasto. Installare sensori di temperatura su ogni asset non crea un sistema predittivo. La temperatura può essere utile per quadri elettrici, cuscinetti, motori e sistemi di lubrificazione. Può essere meno utile per rilevare determinati difetti degli ingranaggi o condizioni di allentamento.

Il campo di misura del sensore, la risposta in frequenza, il metodo di montaggio, la classificazione ambientale e la qualità del segnale sono tutti importanti. Un accelerometro montato male può generare dati sulle vibrazioni fuorvianti. Un trasformatore di corrente con campo di misura errato può nascondere piccole variazioni elettriche.

L'installazione dei sensori deve riflettere le caratteristiche fisiche della macchina. Le posizioni di misurazione dovrebbero fornire un percorso affidabile dalla fonte del guasto. Superfici allentate, coperture flessibili e punti di montaggio verniciati possono distorcere le letture.

Gli ambienti difficili impongono ulteriori requisiti. I sensori possono richiedere resistenza agli agenti chimici, protezione antideflagrante, cablaggio per alte temperature o protezione contro l'ingresso. Un dispositivo selezionato per un'area di assemblaggio pulita potrebbe non sopravvivere vicino a una lavatrice per pasta di cellulosa o a un compressore offshore.

Lo stabilimento deve inoltre considerare la calibrazione e la manutenzione. Un sensore guasto può creare un falso senso di sicurezza. Un sensore soggetto a deriva può generare tendenze errate per mesi.

Il monitoraggio delle condizioni richiede quindi una strategia di strumentazione, non semplicemente un elenco di acquisti.

Figura 2. L'analisi predittiva richiede misurazioni affidabili delle condizioni, ottenute da sensori selezionati per l'apparecchiatura e le modalità di guasto previste.

Più dati dai sensori non garantiscono previsioni migliori

Un errore comune nell'implementazione consiste nel raccogliere ogni variabile di processo disponibile. Il team di progetto presume che una maggiore quantità di dati produca automaticamente un modello più accurato.

Volumi elevati di dati possono produrre il risultato opposto. Gli ingegneri dedicano tempo a filtrare i segnali irrilevanti. Aumentano i requisiti di archiviazione e comunicazione. I modelli analitici individuano correlazioni prive di significato fisico.

Una manutenzione predittiva efficace inizia con l'analisi delle modalità di guasto. Il team dovrebbe identificare come si guasta normalmente l'asset. Dovrebbe quindi determinare quali cambiamenti fisici si manifestano prima di ogni guasto.

Consideriamo una pompa centrifuga. Le possibili modalità di guasto includono degrado dei cuscinetti, cavitazione, disallineamento, danni alla girante, perdite dalla tenuta e restrizioni all'aspirazione.

Ogni condizione produce evidenze diverse. Il degrado dei cuscinetti può influire sul contenuto in frequenza delle vibrazioni. La cavitazione può generare vibrazioni a banda larga e pressione instabile. Una perdita dalla tenuta può manifestarsi attraverso il rilevamento di perdite o una perdita di processo.

Una singola misurazione potrebbe non distinguere queste condizioni. Tuttavia, una combinazione mirata di vibrazioni, corrente del motore, pressione di aspirazione, pressione di mandata e flusso di processo può fornire un utile contesto diagnostico.

Il valore deriva dalla selezione di segnali che rappresentano il meccanismo di guasto. Non deriva dalla massimizzazione del numero di dispositivi connessi.

Gli impianti dovrebbero inoltre distinguere tra allarmi di processo e indicatori dello stato di salute delle apparecchiature. Un allarme di alta temperatura di scarico può proteggere la qualità della produzione. Potrebbe non indicare la vita utile residua della macchina.

Lo stato operativo deve essere registrato insieme ai dati sulle condizioni. Una vibrazione misurata durante l'avviamento non può essere confrontata direttamente con una vibrazione misurata a carico stabile. Le variazioni della corrente del motore possono riflettere la domanda di produzione anziché il degrado elettrico.

Senza il contesto operativo, il sistema analitico potrebbe classificare le normali variazioni della produzione come guasti delle apparecchiature.

Un impianto dovrebbe rimandare l'implementazione predittiva quando non è in grado di identificare le modalità di guasto rilevanti, i punti di misura utili e gli stati operativi. L'installazione della strumentazione prima di completare questo lavoro di solito aumenta costi e confusione.

Il software deve essere collegato ai macchinari

Il software predittivo diventa utile solo quando riceve informazioni affidabili dall'impianto. Ciò richiede generalmente l'integrazione con controller, sistemi di controllo distribuito, data historian, piattaforme di monitoraggio delle condizioni o gateway industriali.

Una piattaforma analitica disconnessa non può vedere il contesto completo dell'apparecchiatura. Potrebbe ricevere i valori di vibrazione ma non la velocità del motore. Potrebbe ricevere i valori di temperatura ma non il carico di processo. Potrebbe rilevare una variazione senza sapere che gli operatori hanno modificato la ricetta di produzione.

I problemi di integrazione possono inoltre ritardare i dati. Un valore raccolto una volta all'ora può essere adatto a variazioni termiche lente. Potrebbe non rilevare brevi eventi di vibrazione o condizioni di pressione instabili.

Anche l'affidabilità della comunicazione è altrettanto importante. Campioni mancanti, timestamp duplicati, scalatura errata e nomi dei tag incoerenti possono compromettere la precisione del modello.

Ad esempio, un controller può memorizzare la pressione in kilopascal mentre la piattaforma analitica si aspetta i bar. I dati rimangono numerici e possono sembrare validi. Tuttavia, ogni soglia calcolata diventa errata.

L'integrazione industriale deve quindi verificare l'identità dei segnali, le unità ingegneristiche, i timestamp, le frequenze di campionamento, la qualità dei dati e lo stato delle apparecchiature.

Le installazioni PLC e DCS meno recenti possono complicare questo processo. I controller legacy possono avere capacità di comunicazione limitate. Le reti proprietarie potrebbero non supportare l'accesso diretto. La capacità di elaborazione potrebbe essere insufficiente per il traffico dati aggiuntivo.

In queste situazioni, gli impianti possono aver bisogno di convertitori di protocollo, moduli di acquisizione dati o gateway progettati con attenzione. Potrebbero inoltre essere necessari componenti sostitutivi per infrastrutture di controllo obsolete.

Le organizzazioni che gestiscono piattaforme di controllo di generazioni diverse possono esaminare componenti per sistemi PLC e PAC idonei quando valutano i vincoli di integrazione, l'hardware installato e il supporto durante il ciclo di vita.

L’architettura corretta dovrebbe proteggere le prestazioni del controllo delle macchine. La raccolta dei dati sulle condizioni non deve sovraccaricare un controllore critico né interrompere le comunicazioni deterministiche.

Figura 3. Il software analitico necessita di connessioni affidabili a controllori, ingressi delle macchine, stati del processo e sistemi di manutenzione.

L’integrazione deve portare a un processo di manutenzione operativo

La sola connettività tecnica non crea valore operativo. L’output analitico deve raggiungere le persone che possono ispezionare, pianificare e riparare le apparecchiature.

Alcuni impianti realizzano dashboard che mostrano eccellenti grafici delle tendenze. Tuttavia, le dashboard restano separate dal processo di manutenzione. Non viene generato alcun ordine di lavoro. Nessun tecnico riceve la responsabilità. Nessun feedback sul completamento ritorna al modello.

Un avviso utile dovrebbe rispondere a diverse domande pratiche. Quale asset è interessato? Quale condizione è stata rilevata? Quanto è grave la condizione? Quali elementi dimostrano la validità dell’avviso? Quale ispezione deve essere eseguita successivamente?

Il sistema non deve sempre fornire una diagnosi definitiva. Dovrebbe comunque offrire al personale di manutenzione informazioni sufficienti per prendere una decisione razionale.

Ad esempio, un avviso che indica che la vibrazione ha superato una soglia generica può avere un valore limitato. Un avviso migliore può identificare un aumento della vibrazione nel cuscinetto lato comando durante condizioni di carico stabili.

Può inoltre mostrare il tasso di variazione, le componenti di frequenza rilevanti, le precedenti attività di manutenzione e il momento consigliato per l’ispezione.

L’integrazione del flusso di lavoro dovrebbe collegare i risultati analitici alla piattaforma CMMS o EAM. Inizialmente, l’impianto può utilizzare una revisione manuale prima di creare ordini di lavoro automatizzati.

Questo approccio controllato impedisce che grandi quantità di avvisi di bassa qualità sovraccarichino il backlog della manutenzione.

Il team di manutenzione dovrebbe registrare i risultati delle ispezioni. Dovrebbe confermare se esisteva un guasto, se l’avviso è stato tempestivo e quale azione è stata intrapresa.

Questo feedback è essenziale. Consente agli ingegneri di migliorare le soglie, convalidare i modelli ed eliminare le regole inaffidabili.

Un impianto non è pronto quando nessuno è responsabile del processo di risposta. La manutenzione predittiva non può restare una responsabilità isolata di un fornitore di software o di un data scientist.

Il processo deve collegare il rilevamento, la revisione ingegneristica, la pianificazione della manutenzione, l’ispezione sul campo, la riparazione e la verifica post-manutenzione.

Sono ancora necessarie competenze specialistiche

L’automazione non elimina la necessità di conoscenze ingegneristiche. Cambia il modo in cui tali conoscenze vengono applicate.

I sistemi predittivi utilizzano sensori avanzati, reti industriali, software analitici e modelli delle apparecchiature. Ogni livello può generare guasti che sembrano problemi della macchina.

Un cavo rotto può sembrare un improvviso cambiamento del processo. Il rumore elettrico può sembrare una vibrazione del cuscinetto. Una configurazione errata dell'apparecchiatura può produrre limiti di allarme irrealistici.

Il personale deve comprendere sia le apparecchiature monitorate sia il sistema di monitoraggio. Sviluppare questa combinazione è difficile.

Le competenze pertinenti possono includere l'analisi delle vibrazioni, la termografia, l'analisi dei lubrificanti, l'analisi della corrente dei motori, la strumentazione, la risoluzione dei problemi di rete, la comunicazione PLC, la gestione dei database e la pianificazione della manutenzione.

Nessun singolo tecnico deve necessariamente padroneggiare ogni disciplina. Tuttavia, l'organizzazione deve avere accesso alle competenze necessarie.

Lo stabilimento dovrebbe inoltre distinguere tra analisi dei dati e diagnosi. Il software può identificare un segnale insolito. Determinarne la causa fisica può richiedere conoscenze di cuscinetti, giunti, riduttori, motori, pompe, valvole e condizioni di processo.

L'esperienza sul campo rimane importante perché le apparecchiature industriali raramente operano in condizioni di laboratorio. Le fondazioni si allentano. Le sollecitazioni delle tubazioni modificano l'allineamento. La domanda produttiva varia. Le riparazioni temporanee diventano permanenti.

Queste realtà influenzano il comportamento delle macchine e i risultati analitici.

Figura 4. Una manutenzione predittiva efficace combina strumenti analitici con esperienza in strumentazione, reti, affidabilità e ingegneria sul campo.

La dipendenza dagli esperti esterni può diventare costosa

Gli specialisti esterni possono accelerare l'implementazione iniziale. Possono configurare i sensori, sviluppare modelli e formare il personale interno.

I problemi si sviluppano quando lo stabilimento non costruisce mai capacità interne. Ogni allarme richiede quindi l'interpretazione di un fornitore. Ogni modifica alle apparecchiature richiede un nuovo progetto di consulenza. La risoluzione dei problemi di base diventa dipendente dalla disponibilità esterna.

Questa dipendenza aumenta i costi operativi. Può inoltre ritardare le decisioni durante condizioni produttive critiche.

Gli stabilimenti dovrebbero definire quali competenze mantenere internamente e quali servizi affidare all'esterno. L'analisi delle vibrazioni altamente specializzata può rimanere esternalizzata. La revisione degli allarmi di primo livello e l'ispezione sul campo dovrebbero di norma essere svolte internamente allo stabilimento.

La formazione dovrebbe basarsi sulle apparecchiature effettive. Le dimostrazioni generiche del software non sono sufficienti. I tecnici devono comprendere la posizione dei sensori, il comportamento degli allarmi, i comuni modi di guasto e le procedure di verifica.

Anche i pianificatori della manutenzione hanno bisogno di formazione. Un guasto previsto non dovrebbe diventare automaticamente un ordine di lavoro d'emergenza. Il pianificatore deve considerare la criticità dell'asset, la disponibilità dei ricambi, le finestre di produzione, la sicurezza e la velocità di progressione stimata.

Il personale operativo dovrebbe comprendere lo scopo del sistema. Spesso nota i cambiamenti nei processi prima dei team analitici. Le sue osservazioni possono spiegare dati insoliti o confermare un guasto in fase di sviluppo.

Il trasferimento delle conoscenze dovrebbe essere incluso nell’ambito del progetto. La documentazione dovrebbe coprire l’architettura, i tag collegati, le regole degli allarmi, le specifiche dei sensori, i requisiti di manutenzione e i percorsi di escalation.

Un impianto potrebbe non essere pronto se non dispone di personale in grado di gestire il sistema dopo la messa in servizio. Una dimostrazione può avere successo, mentre il programma a lungo termine viene gradualmente abbandonato.

I problemi di budget vanno oltre il prezzo di acquisto

La manutenzione predittiva può richiedere un investimento iniziale significativo. Sensori, cablaggi, gateway, software, server, servizi cloud, integrazione e formazione contribuiscono tutti al costo del progetto.

Il preventivo visibile può rappresentare solo una parte dell’investimento totale. L’installazione può richiedere tempo di fermo, ponteggi, permessi per aree pericolose, disegni ingegneristici e modifiche al sistema di controllo.

Le macchine più vecchie possono richiedere modifiche ai supporti o aggiornamenti elettrici. Le reti di comunicazione possono necessitare di switch aggiuntivi, connessioni in fibra o controlli di cybersecurity.

Il software può utilizzare un modello di prezzo basato su abbonamento. I modelli analitici possono richiedere supporto continuativo. I sensori devono essere calibrati, sostituiti o sottoposti a ispezione.

Gli impianti dovrebbero calcolare il costo del ciclo di vita anziché il prezzo di acquisto. Un progetto pilota a basso costo può diventare un programma costoso quando viene implementato su centinaia di asset.

L’analisi finanziaria deve inoltre utilizzare risparmi realistici. Il fermo evitato non dovrebbe essere calcolato usando il valore massimo della produzione per ogni possibile guasto.

Alcuni guasti si verificano già durante gli arresti pianificati. Altri riguardano solo apparecchiature ridondanti. Alcuni allarmi porteranno a ispezioni senza rilevare un guasto significativo.

Un business case credibile include queste limitazioni.

Figura 5. La manutenzione predittiva può generare rendimenti elevati, ma i costi iniziali e ricorrenti devono essere commisurati ai rischi degli asset dell’impianto.

Non tutti gli asset meritano il monitoraggio continuo

La manutenzione predittiva dovrebbe concentrarsi sugli asset per i quali il rilevamento precoce dei guasti crea un valore significativo.

Un ventilatore piccolo ed economico può avere un basso costo di sostituzione. Potrebbe essere disponibile un’unità di riserva già installata. Il suo guasto potrebbe non compromettere la sicurezza, la qualità o la produzione.

L’installazione su quel ventilatore di sensori permanenti, hardware di comunicazione e software analitico può costare più della sua sostituzione dopo un guasto.

Al contrario, un ventilatore a tiraggio indotto al servizio di una caldaia critica può giustificare il monitoraggio continuo. Un suo guasto potrebbe arrestare la produzione e generare costi di riavvio significativi.

La criticità dell’asset dovrebbe quindi guidare gli investimenti. La criticità considera l’impatto sulla produzione, le conseguenze per la sicurezza, il rischio ambientale, la durata delle riparazioni, la disponibilità dei ricambi e i danni secondari.

L’impianto dovrebbe inoltre esaminare la frequenza dei guasti. Un asset critico che si guasta raramente può comunque giustificare una protezione. Tuttavia, il metodo di rilevamento previsto deve essere tecnicamente credibile.

Per alcuni asset è più indicata un'ispezione periodica basata su percorsi prestabiliti. Un tecnico può raccogliere mensilmente letture delle vibrazioni su numerose macchine. Questo approccio può fornire un preavviso sufficiente a un costo inferiore.

Per altri asset possono essere sufficienti trigger di base basati sulle condizioni. Un limite di pressione differenziale può indicare il caricamento del filtro. Una tendenza della corrente del motore può rivelare un aumento della sollecitazione meccanica.

La manutenzione predittiva è una delle opzioni all'interno di una strategia di affidabilità più ampia. Non dovrebbe sostituire ogni attività preventiva o basata sulle condizioni.

Una buona strategia per gli asset può includere l'esercizio fino al guasto per le apparecchiature a basse conseguenze, la sostituzione preventiva dei componenti soggetti all'invecchiamento, il monitoraggio delle condizioni per i guasti in fase di sviluppo e l'analisi predittiva per gli asset di alto valore.

Il giusto equilibrio è più importante del numero di sensori collegati.

Alcune modalità di guasto non possono essere previste in modo affidabile

La manutenzione predittiva funziona al meglio quando il deterioramento si sviluppa gradualmente e produce evidenze misurabili.

L'usura dei cuscinetti, lo squilibrio, il disallineamento, il degrado della lubrificazione e il deterioramento termico spesso generano tendenze rilevabili. Queste condizioni possono fornire un preavviso sufficiente per l'ispezione e la riparazione programmata.

Altri guasti si verificano improvvisamente. Un componente elettronico può guastarsi senza uno schema di segnali premonitori stabile. Un cavo può essere danneggiato durante lavori di costruzione non correlati. Un corpo estraneo può entrare inaspettatamente in un sistema di processo.

L'analisi predittiva non può prevedere in modo affidabile ogni evento casuale.

Gli impianti dovrebbero esaminare le caratteristiche del guasto prima di scegliere un metodo di monitoraggio. L'intervallo potenziale del guasto è particolarmente importante.

Questo intervallo rappresenta il tempo che intercorre tra il rilevamento di un guasto in fase di sviluppo e il raggiungimento del guasto funzionale. La frequenza di monitoraggio deve essere più breve di tale intervallo.

Un'ispezione mensile non può gestire un guasto che si sviluppa nell'arco di due giorni. Potrebbe essere necessario un monitoraggio continuo. Tuttavia, anche il monitoraggio continuo non è efficace quando la condizione non produce alcun segnale misurabile.

Il team dovrebbe chiedersi se esiste un parametro rilevabile. Dovrebbe inoltre determinare se tale parametro cambia abbastanza presto da consentire un intervento di manutenzione.

Un allarme che compare dieci minuti prima del guasto può supportare la protezione con arresto automatico. Potrebbe non essere sufficiente per pianificare la manutenzione.

I sistemi di protezione e i sistemi predittivi hanno scopi diversi. Un sistema di protezione dei macchinari può arrestare un'apparecchiatura in presenza di vibrazioni pericolose. Un sistema predittivo dovrebbe identificare il deterioramento prima di raggiungere la soglia di intervento.

Gli impianti che valutano programmi per apparecchiature rotanti possono consultare i componenti per il monitoraggio dei macchinari disponibili quando confrontano sensori, hardware di monitoraggio e compatibilità con i sistemi installati.

Un impianto non dovrebbe promettere una copertura predittiva per guasti privi di un indicatore precoce affidabile. Limiti tecnici chiari generano più fiducia di affermazioni irrealistiche.

La manutenzione preventiva esistente potrebbe essere già efficace

La manutenzione predittiva non è automaticamente superiore a un programma di manutenzione preventiva ben progettato.

Alcuni componenti hanno una vita utile prevedibile. La loro sostituzione è economica e facile da programmare. Lo stabilimento potrebbe già sostituirli durante i fermi pianificati, con un impatto minimo sulla produzione.

L'aggiunta di sensori e analisi potrebbe generare poco valore aggiuntivo.

La manutenzione preventiva può inoltre soddisfare requisiti normativi, di sicurezza o assicurativi. Un modello predittivo potrebbe non eliminare l'obbligo di effettuare ispezioni periodiche o prove funzionali.

I sistemi strumentati di sicurezza forniscono un esempio chiaro. I dati diagnostici possono supportare le decisioni di manutenzione, ma potrebbero comunque essere applicati intervalli obbligatori di test.

Anche la manutenzione basata sulle condizioni potrebbe essere sufficiente. Gli operatori potrebbero già controllare perdite, pressione, rumore, temperatura o qualità del prodotto durante le attività di routine.

Lo stabilimento dovrebbe confrontare le strategie in base a costi, rischi ed efficacia tecnica. Non dovrebbe cambiare strategia semplicemente perché la manutenzione predittiva sembra più avanzata.

Un programma di manutenzione preventiva efficace offre un ulteriore vantaggio. Crea record di manutenzione strutturati. Questi record possono in seguito supportare l'analisi predittiva.

La decisione corretta potrebbe essere migliorare prima il programma esistente. È possibile verificare l'efficacia delle attività. I codici di guasto possono essere standardizzati. I risultati delle ispezioni possono essere registrati elettronicamente.

Questi miglioramenti possono ridurre i guasti senza investimenti tecnologici rilevanti. Creano inoltre una base più solida per le analisi future.

Uno stabilimento dovrebbe mantenere la strategia in uso finché la sostituzione proposta non dimostri un vantaggio misurabile.

Le organizzazioni hanno bisogno di dati storici affidabili

I modelli predittivi apprendono dalla cronologia operativa. Hanno bisogno di esempi di comportamento normale, variazioni del carico, interventi di manutenzione e guasti in evoluzione.

Gli stabilimenti che fanno principalmente affidamento sulla manutenzione reattiva hanno spesso registrazioni carenti. Un ordine di lavoro potrebbe indicare soltanto che una pompa è stata riparata. Potrebbe non identificare il cuscinetto guasto, i sintomi operativi, la causa principale o i componenti sostituiti.

Tali record non consentono di addestrare o convalidare un modello in modo affidabile.

I problemi di qualità dei dati possono includere timestamp mancanti, nomi degli asset incoerenti, record duplicati delle apparecchiature e descrizioni vaghe dei guasti.

Anche i dati dei sensori possono essere incompleti. Le apparecchiature potrebbero aver funzionato per anni senza che fossero registrati andamenti delle vibrazioni o della temperatura.

Quando non sono disponibili dati storici, il sistema deve raccogliere nuove informazioni di riferimento. Questo richiede tempo. Le modalità di guasto rare potrebbero non manifestarsi durante il periodo iniziale di implementazione.

Le organizzazioni non devono confondere l'assenza di allarmi con una previsione riuscita. Il sistema potrebbe semplicemente non disporre di informazioni sufficienti per riconoscere un comportamento anomalo.

Figura 6. Registri storici accurati aiutano i sistemi analitici a distinguere il normale funzionamento dai guasti delle apparecchiature in fase di sviluppo.

La maturità della manutenzione deve precedere l’analisi avanzata

Un impianto che fatica a controllare la manutenzione di base potrebbe non trarre beneficio dalla previsione avanzata.

I segnali di allarme tipici includono un ampio arretrato di interventi di emergenza, registri degli asset mancanti, carenze impreviste di ricambi, ordini di lavoro incompleti e guasti ripetuti senza un’analisi delle cause principali.

L’aggiunta di avvisi predittivi a questo ambiente crea più informazioni, ma non necessariamente azioni migliori.

L’impianto dovrebbe innanzitutto stabilire la gerarchia degli asset, l’identificazione delle apparecchiature, le responsabilità della manutenzione e una rigorosa gestione degli ordini di lavoro.

Gli asset critici dovrebbero avere distinte base corrette. I ricambi dovrebbero essere associati alle apparecchiature. I codici di guasto dovrebbero usare una terminologia coerente.

Il completamento della manutenzione dovrebbe includere i risultati rilevati, i componenti sostituiti e i meccanismi di guasto osservati. Questi dati diventano un prezioso feedback per i sistemi analitici.

L’organizzazione ha bisogno anche di disciplina nella pianificazione. Un guasto in fase di sviluppo confermato deve essere convertito in requisiti di manodopera, disponibilità dei ricambi, permessi e una finestra di produzione.

Senza questo processo, il rilevamento precoce non previene il guasto. Fornisce soltanto una conoscenza anticipata di un problema che rimane irrisolto.

Un’organizzazione matura non ha bisogno di dati perfetti. Ha bisogno di pratiche ripetibili e responsabilità chiaramente attribuite.

La manutenzione predittiva dovrebbe rafforzare queste pratiche, non aggirarle.

Le condizioni di produzione variabili possono confondere il modello

Le apparecchiature industriali raramente operano in un’unica condizione costante. Velocità, carico, pressione, qualità del prodotto, temperatura e proprietà dei materiali possono cambiare durante la giornata.

Queste modifiche influenzano il comportamento delle macchine. Una pompa può vibrare diversamente a bassa portata. Un ventilatore può mostrare una corrente del motore più elevata quando cambia la posizione delle serrande. Un trasportatore può produrre pattern acustici diversi con materiale più pesante.

Un modello addestrato in una condizione operativa può generare falsi allarmi in un’altra.

Le modifiche frequenti alle apparecchiature creano un’ulteriore difficoltà. L’impianto potrebbe sostituire un motore, modificare il rapporto di trasmissione di un riduttore, modificare le tubazioni o alterare la logica di controllo.

Il precedente valore di riferimento potrebbe non rappresentare più il normale funzionamento.

I sistemi predittivi richiedono quindi la gestione della configurazione. Le modifiche alle apparecchiature dovrebbero attivare una revisione dei valori di riferimento, dei limiti di allarme e delle ipotesi del modello.

Quando necessario, i dati dovrebbero essere raggruppati in base alla condizione operativa. Le macchine a velocità variabile possono richiedere un’analisi delle vibrazioni correlata alla velocità. I processi a lotti possono richiedere modelli allineati alle fasi di produzione.

Un impianto con operazioni instabili dovrebbe innanzitutto migliorare la comprensione dei processi. Altrimenti, il sistema analitico potrebbe dedicare la maggior parte dei suoi sforzi a rilevare la variabilità della produzione.

Questo non impedisce la manutenzione predittiva. Cambia la progettazione tecnica. Potrebbero essere necessari un maggiore contesto operativo e una segmentazione più articolata dei modelli.

I sistemi di controllo legacy possono limitare il business case

Gli stabilimenti brownfield spesso contengono apparecchiature appartenenti a diverse generazioni di sistemi di controllo. Un’area produttiva può utilizzare un PLC moderno basato su Ethernet. Un’altra può dipendere da una rete proprietaria installata decenni fa.

I sistemi legacy possono rimanere affidabili. Tuttavia, il recupero di ulteriori dati sulle condizioni operative può essere difficile.

Il controller potrebbe avere memoria, capacità di comunicazione o canali di ingresso disponibili limitati. I moduli sostitutivi potrebbero essere obsoleti. Il software di progettazione originale potrebbe non funzionare più sui computer attuali.

Un progetto di manutenzione predittiva può mettere in luce questi rischi legati al ciclo di vita. Il costo dell’integrazione necessaria può superare quello dei sensori di monitoraggio.

Gli stabilimenti dovrebbero evitare di apportare modifiche non controllate ai sistemi legacy critici. L’aggiunta di traffico di rete o la modifica del vecchio codice applicativo può creare rischi per la produzione.

Una progettazione più sicura potrebbe utilizzare hardware di monitoraggio indipendente. Questo potrebbe raccogliere segnali senza modificare la logica di controllo originale.

Un’altra opzione è un piano di modernizzazione graduale. Lo stabilimento può innanzitutto stabilizzare il supporto per l’hardware obsoleto, la documentazione e la disponibilità dei ricambi.

Le funzionalità predittive possono quindi essere aggiunte durante gli aggiornamenti programmati dei sistemi di controllo.

La decisione dovrebbe tenere conto del ciclo di vita delle apparecchiature. Installare un sistema di monitoraggio complesso su macchinari destinati alla sostituzione potrebbe non essere conveniente.

Tuttavia, il monitoraggio può essere comunque giustificato quando la sostituzione richiederà diversi anni e il rischio di guasto resterà elevato.

La cybersicurezza e la governance dei dati non possono essere aggiunte in un secondo momento

La manutenzione predittiva richiede spesso lo spostamento dei dati operativi oltre il perimetro del sistema di controllo originale.

I dati possono essere inviati a un server in loco, a una piattaforma aziendale, a un fornitore di servizi remoto o a un ambiente cloud.

Ogni connessione crea requisiti di governance e cybersicurezza. Gli stabilimenti devono definire quali sistemi possono comunicare, quali utenti possono accedere ai dati e come viene controllato il supporto esterno.

Una connessione pianificata male può esporre gli asset industriali a rischi non necessari. Gli strumenti di accesso remoto destinati ai consumatori non dovrebbero essere utilizzati per apparecchiature critiche.

L’architettura di rete dovrebbe includere segmentazione, accesso gestito, autenticazione, registrazione degli eventi, gestione delle patch e trasferimento sicuro dei dati.

La piattaforma analitica non dovrebbe richiedere un accesso di controllo senza restrizioni quando sono sufficienti dati in sola lettura.

Anche la titolarità dei dati deve essere chiara. I contratti dovrebbero spiegare chi possiede i dati grezzi dei sensori, i modelli derivati e le conclusioni sulla manutenzione.

Lo stabilimento dovrebbe capire cosa succede quando un abbonamento termina. I dati storici e i modelli configurati dovrebbero rimanere accessibili alle condizioni concordate.

Le revisioni di cybersecurity possono influire sul programma del progetto. Dovrebbero iniziare durante la progettazione dell’architettura, non dopo l’installazione.

Un impianto non è pronto quando il progetto elude la cybersecurity perché il sistema di monitoraggio viene descritto come non critico.

I dati sulle condizioni possono comunque rivelare i tassi di produzione, lo stato degli asset, i limiti operativi e la disponibilità dell’impianto. Queste informazioni possono essere sensibili dal punto di vista commerciale o operativo.

Caso di studio: un progetto di monitoraggio delle pompe che ha prodotto troppi allarmi

Si consideri un impianto chimico che ha installato sensori wireless per le vibrazioni su quaranta pompe. L’obiettivo del progetto era ridurre i guasti delle tenute e le sostituzioni d’emergenza dei cuscinetti.

Il dashboard iniziale generava frequenti allarmi di vibrazione elevata. Il personale di manutenzione ha ispezionato diverse pompe, ma non ha rilevato difetti visibili.

La fiducia nel sistema è diminuita rapidamente.

Una revisione dettagliata ha individuato diverse cause. Alcuni sensori erano montati su sottili coperture dei motori. Le velocità operative delle pompe non erano registrate. Diverse unità funzionavano molto lontano dalla portata di progetto.

I limiti degli allarmi erano identici per tutte le pompe, nonostante le diverse dimensioni, fondazioni e condizioni di servizio.

Il team di progetto ha cambiato approccio. I sensori sono stati rimontati in posizioni idonee sui cuscinetti. La velocità e il flusso di processo sono stati aggiunti al set di dati.

Le pompe sono state raggruppate in base alla configurazione e al servizio operativo. Le soglie degli allarmi sono state regolate utilizzando misurazioni di riferimento e una revisione ingegneristica.

Il team ha inoltre distinto l’instabilità idraulica dalle indicazioni di problemi meccanici ai cuscinetti.

Dopo queste modifiche, il volume degli allarmi è diminuito. Gli avvisi rimanenti sono diventati più utili. Una pompa ha mostrato un aumento delle vibrazioni alla frequenza del cuscinetto durante il funzionamento stabile.

L’ispezione di manutenzione ha confermato il degrado della lubrificazione. Il cuscinetto è stato sostituito durante un cambio di produzione programmato.

La lezione non era che il monitoraggio wireless avesse fallito. Al progetto originale mancavano un’installazione adeguata dei sensori, il contesto delle apparecchiature e la convalida degli allarmi.

Una breve valutazione della preparazione avrebbe potuto identificare questi problemi prima dell’implementazione completa.

Caso di studio: una linea di confezionamento che non aveva bisogno di analisi predittive avanzate

Un impianto di confezionamento alimentare ha valutato il monitoraggio continuo di piccoli motori per trasportatori. I motori erano economici e disponibili presso i fornitori locali.

La maggior parte dei trasportatori aveva configurazioni meccaniche semplici. Le unità guaste potevano essere sostituite rapidamente durante i normali periodi di sanificazione.

La proposta iniziale includeva il monitoraggio della corrente, sensori di temperatura, gateway e un abbonamento a un servizio di analisi cloud.

Una revisione della criticità ha mostrato che la maggior parte dei motori non giustificava un monitoraggio permanente. Le conseguenze dei guasti erano limitate e i tempi di sostituzione con ricambi erano brevi.

Lo stabilimento ha scelto una strategia più semplice. Gli operatori effettuavano controlli visivi durante la sanificazione. Gli elettricisti utilizzavano strumenti portatili per l’ispezione termica durante i giri mensili.

Un numero limitato di motori di azionamento critici ha ricevuto un monitoraggio continuo della corrente e della temperatura. Questi motori alimentavano apparecchiature che costituivano colli di bottiglia e avevano tempi di sostituzione più lunghi.

Il programma rivisto è costato meno e si è allineato meglio al rischio degli asset.

La manutenzione predittiva non è stata rifiutata. È stata applicata solo dove il preavviso creava valore operativo.

Caso di studio: dati storici senza etichette di guasto affidabili

Un grande sito produttivo disponeva di diversi anni di dati dello storico. La direzione riteneva che questa cronologia fosse sufficiente per il machine learning.

Il database includeva la corrente del motore, le temperature, la pressione di processo e i tassi di produzione. Tuttavia, i registri di manutenzione non contenevano dettagli coerenti sui guasti.

Gli ordini di lavoro utilizzavano descrizioni come “problema al motore”, “riparazione della pompa” e “apparecchiatura controllata”.

Il team analitico riusciva a identificare tendenze insolite. Non riusciva però a determinare quali schemi rappresentassero guasti specifici.

Lo stabilimento ha innanzitutto migliorato la codifica degli interventi di manutenzione. I tecnici registravano il componente guasto, la condizione osservata, la causa e l’azione correttiva.

Il team ha inoltre esaminato i rapporti degli arresti passati e l’utilizzo dei ricambi. Questo lavoro ha ricostruito diversi eventi di guasto confermati.

Sono stati quindi addestrati nuovi modelli analitici utilizzando esempi verificati. Il progetto è iniziato con il rilevamento delle anomalie e la revisione ingegneristica, anziché con la diagnosi automatica.

Questo approccio per fasi ha prodotto un’implementazione iniziale più lenta, ma risultati più credibili.

Il caso dimostra che il volume dei dati e la loro qualità sono aspetti diversi. Milioni di valori registrati non possono sostituire un contesto affidabile sulla manutenzione.

Una valutazione pratica della preparazione alla manutenzione predittiva

Prima dell’implementazione, lo stabilimento dovrebbe completare una valutazione strutturata della preparazione. La valutazione dovrebbe coprire il valore aziendale, l’idoneità degli asset, la strumentazione, l’integrazione dei sistemi, la qualità dei dati, le competenze, la cybersicurezza e i processi di lavoro.

Partire dal problema aziendale. Individuare i guasti che producono il maggiore impatto sulla produzione, sulla sicurezza, sulla qualità o sull’ambiente.

Stimare la frequenza e la conseguenza dei guasti. Esaminare la durata delle riparazioni, i danni secondari e la disponibilità dei ricambi.

Esaminare quindi le modalità di guasto. Determinare se ogni guasto produce un segnale di allarme misurabile. Stimare l’intervallo di preavviso disponibile.

Esaminare la strumentazione esistente. Confermare l’idoneità dei sensori, i punti di installazione, i requisiti ambientali, lo stato di calibrazione e l’accesso ai dati.

Mappare il percorso dei dati dalla macchina alla piattaforma analitica. Verificare i protocolli, le frequenze di aggiornamento, i timestamp, le unità ingegneristiche e la capacità della rete.

Valutare i dati storici. Controllare i nomi degli asset, le descrizioni degli interventi, i codici di guasto, gli stati operativi e i dati mancanti.

Esaminare le capacità organizzative. Individuare chi monitorerà gli avvisi, convaliderà i risultati, creerà gli ordini di lavoro, ispezionerà le apparecchiature e aggiornerà i modelli.

Calcola il costo del ciclo di vita. Includi hardware, progettazione, installazione, tempo di arresto, software, formazione, assistenza e manutenzione dei sensori.

Infine, definisci risultati misurabili. Evita obiettivi generici come “migliorare l’affidabilità”. Usa indicatori specifici, come ridurre gli interventi di emergenza sui cuscinetti o rilevare determinati guasti prima dell’arresto.

Utilizzare un progetto pilota mirato invece di un’implementazione in tutto lo stabilimento

Un progetto pilota dovrebbe testare l’intero flusso di lavoro della manutenzione. Non dovrebbe limitarsi a dimostrare che un sensore può inviare dati a un dashboard.

Seleziona un numero ridotto di asset con una storia di guasti nota e un impatto operativo significativo.

Gli asset dovrebbero presentare modalità di guasto rilevabili. Il personale addetto alla manutenzione dovrebbe comprenderne il comportamento operativo.

Il progetto pilota dovrebbe includere l’installazione dei sensori, la raccolta dei dati, l’integrazione del sistema, la revisione degli allarmi, l’ispezione sul campo, la pianificazione del lavoro e la verifica dei risultati.

Definisci il successo prima dell’installazione. I possibili criteri includono il rilevamento di un deterioramento confermato, la riduzione delle ispezioni non necessarie, il miglioramento dei tempi di pianificazione o la prevenzione di danni secondari.

Mantieni il progetto pilota abbastanza a lungo da acquisire condizioni operative rappresentative. Una breve dimostrazione durante una produzione stabile potrebbe non mettere alla prova il sistema reale.

Documenta i falsi positivi e le condizioni non rilevate. Entrambi forniscono informazioni preziose per la progettazione.

Non nascondere i risultati insoddisfacenti. Un progetto pilota che identifica sensori inadatti o dati di scarsa qualità può evitare un’implementazione completa costosa.

L’espansione dovrebbe basarsi sulle evidenze. Gli asset con progettazione e condizioni operative simili possono essere aggiunti per primi.

Ogni fase di espansione dovrebbe verificare la disponibilità di personale, la capacità della rete, le prestazioni del software e la capacità di risposta della manutenzione.

Costruire le basi per fasi

Uno stabilimento che oggi non è pronto può comunque definire una roadmap pratica.

La prima fase può migliorare i record di manutenzione e la gerarchia degli asset. Lo stabilimento può standardizzare i nomi delle apparecchiature, i codici di guasto e il completamento degli ordini di lavoro.

La seconda fase può introdurre il monitoraggio mirato delle condizioni. I tecnici possono raccogliere periodicamente dati sulle vibrazioni, sulla temperatura o sui lubrificanti degli asset critici.

La terza fase può integrare le informazioni esistenti sui processi e sulla manutenzione. Gli storici, i controllori e i record del CMMS possono essere collegati tramite un’architettura controllata.

La quarta fase può aggiungere analisi avanzate per modalità di guasto selezionate. I modelli devono essere convalidati mediante ispezioni sul campo e riscontri della manutenzione.

La fase finale può automatizzare parti del flusso di lavoro. Gli avvisi ad alta affidabilità possono generare richieste di ispezione o ordini di lavoro consigliati.

Questo approccio graduale riduce il rischio tecnico e finanziario. Inoltre, dà al personale il tempo di sviluppare le proprie competenze.

Soprattutto, mantiene il progetto collegato ai problemi effettivi di affidabilità.

Quando rimandare la manutenzione predittiva

Un impianto dovrebbe valutare di rimandare l’implementazione quando il senior management non ha stanziato risorse o non ha assunto la responsabilità.

Anche un rinvio può essere appropriato quando non sono state identificate le modalità di guasto critiche. Installare sensori senza una strategia sui guasti porta a risultati insoddisfacenti.

Lo stesso vale quando la strumentazione non è in grado di raccogliere dati affidabili sulle condizioni. Il software non può correggere misurazioni fisiche inadeguate.

L’implementazione dovrebbe essere riconsiderata quando l’integrazione dei sistemi di comunicazione e controllo crea rischi inaccettabili per la produzione o la cybersicurezza.

Le organizzazioni con registri di manutenzione carenti potrebbero dover migliorare prima la qualità dei dati. Gli impianti privi di personale in grado di esaminare gli allarmi e agire di conseguenza sono inoltre esposti a un elevato rischio di fallimento.

I budget limitati dovrebbero essere destinati agli asset con le conseguenze più gravi. Un’installazione estesa può offrire meno valore di un programma di affidabilità mirato.

La manutenzione predittiva può inoltre risultare non necessaria quando la manutenzione preventiva o basata sulle condizioni controlla già efficacemente il rischio.

Rimandare il progetto non è un fallimento. Spesso è una decisione ingegneristica responsabile.

La migliore strategia di manutenzione è quella che l’impianto è in grado di eseguire

La manutenzione predittiva può ridurre le fermate impreviste e migliorare la pianificazione della manutenzione. Può inoltre rivelare il deterioramento delle apparecchiature che le ispezioni di routine non rilevano.

Questi vantaggi dipendono da molto più che dagli algoritmi. Richiedono asset idonei, sensori corretti, un’integrazione affidabile, registri di qualità, personale competente e processi di lavoro rigorosi.

Gli impianti dovrebbero evitare di considerare la manutenzione predittiva come un sostituto universale delle strategie esistenti.

La manutenzione a guasto, la manutenzione preventiva, la manutenzione basata sulle condizioni, il monitoraggio protettivo e l’analisi predittiva hanno ciascuno applicazioni valide.

I programmi di affidabilità più efficaci utilizzano questi metodi in modo selettivo. Adattano la strategia di manutenzione alla criticità degli asset, al comportamento dei guasti, al rischio operativo e al valore economico.

Pertanto, una valutazione della preparazione dovrebbe precedere un investimento importante. Essa identifica le capacità mancanti e definisce una sequenza di implementazione pratica.

Quando le fondamenta sono solide, la manutenzione predittiva può diventare uno strumento operativo affidabile. Quando sono deboli, la stessa tecnologia può generare allarmi, costi e delusioni.

L’obiettivo non è implementare il sistema più avanzato. L’obiettivo è rilevare tempestivamente i problemi significativi delle apparecchiature, in modo da poter intervenire efficacemente.