In questo articolo esploreremo i metodi che sfruttano i dati per ottimizzare i processi aziendali attraverso la manutenzione predittiva.
Sappiamo quanto può fare la differenza riuscire a prevedere ciò che potrà accadere alle linee produttive nella nostra impresa.
Dobbiamo quindi dare la priorità a un approccio proattivo, che ci consenta di anticipare eventuali complicazioni.
Il nostro focus di solito è indirizzato sulle questioni più urgenti, e per questo una pianificazione a medio-lungo termine non sempre è fra le priorità.
Sappiamo bene però che se trascuriamo questo aspetto alla lunga potremmo pagarla molto cara.
La mancata manutenzione preventiva degli impianti può infatti aumentare i costi operativi e il rischio di arresti non pianificati, traducendosi in migliaia di euro di mancati introiti.
Strategie di manutenzione scadenti possono ridurre la capacità produttiva di un impianto dal 5 al 20%.
Studi recenti dimostrano inoltre che i tempi di fermo non pianificati costano ai produttori industriali circa 50 miliardi di euro all’anno.
A lungo i professionisti della manutenzione hanno combinato (con scarso successo) approcci quantitativi e qualitativi per cercare di prevedere i guasti e mitigare i tempi di fermo delle loro strutture.
I nuovi strumenti dell’Industrial Internet of Things (IIoT) permettono di raccogliere dati in tempo reale, che grazie all’ausilio dell’apprendimento automatico (Machine Learning) migliorano notevolmente le capacità di manutenzione predittiva.
Grazie alle informazioni ottenute in “real time” possiamo essere più reattivi e ricettivi al problema, riducendo le perdite, massimizzando la vita delle apparecchiature, ed evitando inutili interruzioni.
Data Science per la manutenzione predittiva: le 3 tipologie
Possiamo migliorare i processi produttivi aziendali grazie a tre differenti metodologie.
1. Manutenzione Reattiva
L’approccio reattivo è utilizzato da oltre il 55% delle aziende.
Questo sistema si basa sul rispondere al problema nei tempi più rapidi possibili.
La manutenzione reattiva ci permette di correggere a posteriori le interruzioni, sostituendo i componenti solo in caso di rottura.
Questo metodo può però portare a conseguenze paralizzanti e costose.
I tempi di fermo imprevisti causati da apparecchiature guaste possono infatti determinare gravi perdite e mancati guadagni.
2. Manutenzione Preventiva
La manutenzione preventiva, oggi integrata dal 31% degli impianti industriali, è un approccio più conveniente ed efficiente in termini di tempo e di denaro rispetto alla manutenzione reattiva.
Questo metodo risolve potenziali problemi in base a una pianificazione a priori.
Tuttavia, se l’apparecchiatura non richiede manutenzione, i tempi di fermo programmati possono sprecare risorse preziose.
È necessario quindi adottare un approccio conservativo per prevenire un errore imprevisto, perché non si sa quando è più probabile che si verifichi il problema.
Il fermo anticipato spreca però la vita utile di una macchina, applicando le risorse di manutenzione in modo inefficiente e aumentando i costi di attività.
3. Manutenzione Predittiva
Ad oggi solo il 12% dei sistemi aziendali adotta sistemi predittivi nei propri processi.
La manutenzione predittiva ci mette nelle condizioni di prevedere con anticipo quando una macchina si potrà guastare, massimizzando la vita utile delle parti e prevenendo al tempo stesso tempi di fermo imprevisti.
In uno scenario ideale, sapere esattamente quando un impianto è destinato a guastarsi e quali parti si danneggeranno ci consente di eliminare il tempo impiegato per diagnosticare il problema e ridurre gli sprechi e i rischi nel processo.
Naturalmente, la perfezione non esiste, ma si può ottenere il migliore risultato con sistemi di analisi dei dati e algoritmi di Machine Learning personalizzati.
Quando un sistema predittivo avanzato segnala un guasto imminente della macchina, il team di manutenzione può programmare i tempi di fermo il più vicino possibile all’evento, arrivando a sfruttare tutto ciò che la vita dell’impianto ci avrebbe dato.
Data Science per la manutenzione predittiva e il ROI
Rispetto ai programmi di manutenzione preventiva, diversi studi hanno stimato che la manutenzione predittiva potrebbe aiutare le imprese, a seconda delle dimensioni, a evitare una perdita di guadagni dall’8-12% fino a un 30-40%.
Ciò dimostra che il passaggio a un programma di manutenzione predittiva comporta in media un ritorno sull’investimento 10 volte superiore per le applicazioni industriali.
Se l’attrezzatura si guasta inaspettatamente occorre lavorare di fretta, ripristinando quanto prima il componente.
Non sempre però la soluzione adottata sarà quella definitiva e duratura.
La risoluzione dei problemi e la riparazione comportano costi operativi significativi, che vanno ben oltre i costi associati ai beni strumentali.
L’azienda potrebbe accumulare spese a causa della ridotta produttività dei dipendenti, e persino dell’interruzione della catena di approvvigionamento.
Dato questo ampio elenco di spese, non sorprende scoprire che il costo medio dei tempi di inattività è superiore a 260.000 € l’ora.
Data Science per la manutenzione predittiva: il metodo
Sfruttando i dati raccolti dai dispositivi è possibile iniziare un progetto di Data Science per la manutenzione predittiva affrontando un’ampia gamma di problemi di manutenzione utilizzando l’apprendimento automatico per assumere una posizione preventiva.
Questo, a sua volta, ci aiuterà a raggiungere l’obiettivo finale: un impianto altamente efficiente e produttivo.
Ogni azienda ha obiettivi diversi, ma possiamo raggruppare queste finalità in tre gruppi chiave:
- Identificazione dei punti di rottura
Partendo dai dati di storico dei guasti creiamo schemi puntuali su ogni singolo componente, cercando di prevedere quando potrà nuovamente guastarsi o come si sviluppa il suo ciclo di vita.
- Rilevamento delle anomalie
Raccogliendo i dati dai sensori in tempo reale possiamo, tramite modelli di Machine Learning addestrati, prevedere e comunicare in maniera sincrona un guasto imminente.
- Massimizzare la vita utile
Sempre grazie all’utilizzo dei dati raccolti possiamo conoscere la vita media di un componente e pianificare la sua manutenzione in modo da sostituirlo nel momento più opportuno.
Quanto più accuratamente possiamo prevedere quando una parte o una macchina si guasterà, tanto più sarà facile raggiungere la massima produttività ed efficienza dell’impianto.
Abbiamo quindi tre differenti benefici:
- Forza lavoro ottimizzata
Con questo approccio possiamo eliminare le attività di manutenzione non essenziali e straordinarie, monitorare il funzionamento della macchina con meno risorse, e aumentare i tassi di utilizzo della manodopera.
- Produttività della macchina migliorata
La macchina beneficerà della previsione dei livelli di produttività che potrà raggiungere. In questo modo potremo massimizzarne la vita e mantenere la massima efficacia dell’attrezzatura.
- Rischio ridotto
Non ultimo, con la manutenzione predittiva miglioriamo la sicurezza sul lavoro, identificando variabili precedentemente sconosciute, e creando una capacità prevedibile.
Affinché la manutenzione predittiva abbia successo devono essere presenti tre aspetti principali:
- Dati di qualità
- Dati mirati e selezionati
- Contesto ben definito
Come prima cosa abbiamo bisogno di dati di qualità.
Dobbiamo raccogliere tutti i dati del passato e capire se abbiamo a disposizione tutte le informazioni necessarie.
Ad esempio, è bene conoscere gli eventi che hanno determinato il problema e le condizioni in cui si è verificato.
I dati sui guasti devono essere confrontati con le caratteristiche statiche della macchina, inclusi l’uso medio, le proprietà generali e le condizioni operative.
Questa è un’opportunità preziosa per i produttori, che possono utilizzare le informazioni aggregate di centinaia o migliaia di macchine per formulare previsioni.
Sebbene sia importante raccogliere molti dati, è ancor più fondamentale accertarsi che gli stessi siano corretti.
Non esiste un numero di informazioni esatto che ci indichi quando possiamo avviare un’analisi scientifica approfondita.
Ogni situazione va analizzata e valutata nel suo contesto, assieme ai fattori ad essa collegati direttamente e indirettamente.
Rimanere bloccati su informazioni estranee non fa altro che confondere le acque, distogliendo l’attenzione da ciò che è più importante.
Dobbiamo porci diverse domande, come ad esempio: “Quali fallimenti potrebbero verificarsi? Quali dovrebbero essere previsti? Cosa succede quando un processo fallisce? Si guasta rapidamente o è un deterioramento lento nel tempo?”.
Infine, dobbiamo dare un’occhiata da vicino a tutti gli altri sistemi e parti correlate.
Ci sono altri componenti correlati al guasto? Si possono misurare le loro prestazioni? Con che frequenza vanno eseguite queste misurazioni?
Per ottenere i migliori risultati, la raccolta dei dati deve avvenire per un periodo di tempo prolungato.
Periodi brevi restringeranno il campo delle possibilità e ridurranno l’affidabilità delle intuizioni.
Vale però la pena investire questo tempo: dati di qualità si traducono in un modello predittivo più accurato.
È fondamentale disporre del contesto appropriato quando si esamina un problema, poiché solo così si ha la capacità di valutare le previsioni con una certa precisione.
L’utilizzo di un modello predittivo ottimizza i costi associati alla manutenzione di una macchina, consentendo di prevedere con maggior precisione la capacità disponibile in un dato momento.
Con la manutenzione predittiva possiamo regolare i tempi dei contratti imminenti in base alle finestre di manutenzione programmate, per mantenere le SLA concordate e ottimizzare la logistica della catena di approvvigionamento a valle.
Inoltre, i dati dei modelli predittivi dei guasti potrebbero informare i piani di manutenzione per i fornitori dei macchinari.
Questo tipo di condivisione potrebbe portare a una fornitura “just-in-time” di materiali di consumo chiave, parti soggette a usura, o altri importanti elementi.
Raccogliendo i dati degli impianti dei nostri clienti, invece, possiamo identificare i guasti più comuni e stimare i tempi e il volume delle parti di ricambio necessarie, aprendo la possibilità di vendere dei servizi aggiuntivi (magari ad abbonamento), e fidelizzando il cliente.
Ad esempio, un abbonamento che integra il monitoraggio dei dispositivi con un prodotto o servizio “just-in-time” fornirebbe un’esperienza senza interruzioni per la manutenzione dell’impianto, e garantirebbe una fonte di business più coerente per noi.
Distribuire la spesa in incrementi più piccoli lungo la vita del prodotto aiuta a superare più facilmente gli ostacoli dell’approvvigionamento posti dalle grandi spese in conto capitale.
Collegando e condividendo le informazioni sulla manutenzione predittiva riusciamo ad eliminare molte delle inefficienze comuni negli scenari di interruzione e riparazione, come noiosi ticket di supporto, lunghe SLA, logistica della fornitura di parti e altro ancora.
Conclusioni
Per migliorare il business aziendale dobbiamo partire dall’analisi dei problemi ricorsivi che creano il maggior impatto sui processi di produzione e poi verificare se i dati disponibili ci consentono di procedere con lo sviluppo di algoritmi di apprendimento automatico o se dobbiamo raccoglierne altri.
Una volta che tutto è a disposizione possiamo lavorare sulla vera e propria analisi predittiva e integrare il sistema nelle nostre linee produttive.
Questo in poche parole è come dovrà svilupparsi un progetto di Data Science per la manutenzione predittiva.
Perciò, prima iniziamo a lavorare a questo obiettivo, prima possiamo ottenere i miglioramenti sperati!
Se vuoi sapere come il nostro team può aiutarti a raccogliere, analizzare e sviluppare algoritmi predittivi nelle tue linee produttive contattaci per organizzare un incontro online o in presenza!
Ecco come si svolgerà:
- Analizzeremo il tuo problema
Per comprendere meglio cosa possiamo fare per te dobbiamo conoscere qual è il problema della tua organizzazione.
- Comprenderemo quanto ti manca per una manutenzione predittiva
Per poter capire se hai tutte le informazioni necessarie per raggiungere l’obiettivo, dobbiamo sapere quanto la tua azienda è digitalizzata e quante informazioni possiedi.
- Studieremo le basi del progetto
Stabiliremo insieme le basi del progetto. Non devi preoccuparti di avere già tutto chiaro o pensare di avere già tutte le informazioni necessarie, saremo noi a porti le domande giuste per mettere a fuoco i passi successivi!
Prima si parte con un progetto di Data Science di manutenzione predittiva, prima si ottengono risultati mai visti!
Non aspettare ancora
