Indice dei contenuti
Premessa
Prima di affrontare il tema relativo all’integrazione tra manutenzione predittiva e intelligenza artificiale, è bene fare alcune brevi premesse. Le aree tematiche manutenzione predittiva e intelligenza artificiale sono sempre più interconnesse nei processi industriali moderni.
Indipendentemente o meno dalla presenza in azienda di macchine robotizzate chi lavora in produzione lo sa già: un fermo macchina non pianificato non è mai solo un problema tecnico. E questo a prescindere dal livello di automazione industriale raggiunto.
Un fermo improvviso genera una cascata di conseguenze negative: è una consegna saltata, un cliente da chiamare, un margine che si assottiglia.
Il problema non è certamente nuovo, è che sta diventando sempre più costoso. La causa? Il più delle volte è la mancata manutenzione. E’ un problema che ci trasciniamo da anni. Non si presta la dovuta attenzione alla manutenzione e quando serve produttività ci si ritrova a dover inseguire i problemi e a improvvisare soluzioni per tamponare.
Le tecnologie avanzate, come la manutenzione predittiva e intelligenza artificiale, possono aiutare a ridurre i fermi macchina e ottimizzare i processi produttivi.
Uno studio Siemens del 2024 stima che le grandi aziende automotive possano perdere fino a 695 milioni di dollari all’anno per downtime non pianificato, un costo cresciuto del 150% rispetto a cinque anni prima. Le 500 maggiori aziende globali hanno perso in media l’11% del fatturato annuo per la stessa ragione.
Per decenni le risposte per risolvere il problema sono state principalmente due, variamente progettate ed implementate nella realtà industriale italiana, europea e mondiale.
La manutenzione reattiva: si aspetta che qualcosa si rompa, poi si interviene. Si è investito in enormi magazzini ricambi e servizi di assistenza in loco 24 ore su 24. Va bene, finché si è fortunati! E la fortuna non è sempre dalla parte dell’imprenditore!
La manutenzione preventiva: interventi a calendario, indipendentemente da quello che succede davvero sull’impianto. Meglio, ma spesso si finisce per sostituire componenti che avrebbero retto ancora mesi. Altre volte questo approccio significa rimandare un intervento su qualcosa che invece sta per cedere. Va bene se si è bravi a pianificare gli interventi. Con esperienza sulle macchine e sui processi, la manutenzione preventiva fa davvero i miracoli. Ma servono persone competenti a tutti i livelli, non basta un singolo manutentore bravo!
Manutenzione predittiva e intelligenza artificiale: un nuovo approccio.
Abbinare i concetti di manutenzione predittiva e intelligenza artificiale consente di cambiare la logica sopra descritta, permettendo di introdurre nuovi modi di lavorare e di ragionare la manutenzione. L’introduzione di concetti di intelligenza artificiale nella manutenzione rivoluziona l’efficienza e questo si traduce – o meglio si può tradurre – in numeri strabilianti. Per ora si sprecano studi di importanti nomi e qualche progetto pratico.
Manutenzione predittiva e intelligenza artificiale: alcuni studi.
Alcuni tra i più interessanti studi che parlano di manutenzione predittiva e intelligenza artificiale, con specifico riferimento ai possibili benefici, sono portatori di spunti molto promettenti.
McKinsey stima riduzioni del downtime non pianificato fino al 50% e tagli ai costi di manutenzione tra il 10% e il 40%.
IBM parla di una riduzione dei guasti fino al 70% nei contesti in cui manutenzione predittiva e intelligenza artificiale sono integrati sul piano produttivo.
Deloitte stima un ROI medio di 10:1 entro due anni dall’implementazione.
In teoria manutenzione predittiva e intelligenza artificiale promettono numeri sono da capogiro.
E ancora potremmo aggiungere:
Secondo Precedence Research e Grand View Research oggi si stima che gli investimenti in manutenzione predittiva e intelligenza artificiale siano di circa 14 miliardi di dollari nel 2025 e cresceranno fino a 94 miliardi entro il 2035, con tassi di crescita annua intorno al 26-28%.
Basti dire che nel 2024, oltre il 38% delle grandi aziende globali aveva già avviato progetti pilota in questo ambito. Non è quindi saggio considerare manutenzione predittiva e intelligenza artificiale concetti di nicchia, futuristici o, peggio, da considerare come entità esclusivamente separate.
Manutenzione predittiva e intelligenza artificiale: come funziona, concretamente.
Il sistema che combina manutenzione predittiva e intelligenza artificiale è basato sui dati (data-driven). E’ un sistema che per funzionare vuole i dati per usarlo e che “parla” attraverso i dati.
I dati devono venire dalla produzione: sensori, PLC, robot, sistemi di visione: ogni elemento dell’impianto produce informazioni continue. Si raccolgono dati su temperature, vibrazioni, consumi, parametri di lavorazione….
Informazioni che esistevano già, ma che storicamente venivano ignorate o archiviate senza essere lette. Questi dati vengono poi analizzati da algoritmi di machine learning, che cercano anomalie, pattern ricorrenti, correlazioni tra variabili.
La differenza rispetto al monitoraggio tradizionale è che i modelli non sono statici: imparano nel tempo, si adattano all’evoluzione dell’impianto, affinano le proprie previsioni.
L’output non è un cruscotto di allarmi. È una previsione specifica: “questo componente avrà problemi entro un determinato numero di ore di lavoro” accompagnata da indicazioni operative su cosa fare, dove, come e con quale priorità nel caso ci siano sequenze rilevanti da tenere in considerazione.
È questo il passaggio che conta: non sapere che qualcosa non va, ma sapere cosa fare prima che qualcosa vada storto, bloccando la produzione e minando la produttività. Naturalmente questi concetti valgono non solo per la robotica industriale intesa in modo classico, vale anche nel campo dei robot collaborativi – cobot.
La realtà è che i sistemi di manutenzione predittiva e intelligenza artificiale stanno cambiando il paradigma in modo radicale e definitivo: sarà impossibile, ed impensabile, cambiare la rotta e tornare indietro. Si sta passando, una volta per tutte, dal parlare di manutenzione predittiva a manutenzione prescrittiva: non solo “prevedo il guasto”, ma “ti dico come evitarlo, nell’ordine giusto considerando le giuste priorità”.
L’edge computing sta accelerando questa transizione, portando la capacità di analisi sempre più vicino alla macchina, riducendo latenza e dipendenza dalla connettività cloud. Sì, perchè il binomio manutenzione predittiva e intelligenza artificiale richiede potenza di calcolo distribuita, necessaria per addestrare gli altoritmi di intelligenza artificiale e farli funzionare in modo reattivo.
Perché molti progetti non decollano
Una quota significativa dei progetti che si basano su manutenzione predittiva e intelligenza artificiale rimane bloccata nella fase pilota. Le ragioni sono abbastanza ricorrenti.
Il problema più comune è la qualità dei dati.
I dati industriali sono spesso incompleti, non strutturati, distribuiti su sistemi che non comunicano tra loro. Un modello che combina i concetti di manutenzione predittiva e intelligenza artificiale funziona bene quando i dati su cui è addestrato sono di qualità. Se la base informativa è frammentata, i risultati saranno di conseguenza inaffidabili.
È banale dirlo, ma in pratica questo aspetto viene sottovalutato quasi sempre. Si dice in gergo: Trash IN, Trash OUT! Se metto spazzatura nel mio sistema, ottengo spazzatura!
C’è poi il cosiddetto gap IT/OT, che vale la pena spiegare. IT è il mondo dei sistemi informativi aziendali: ERP, database, software gestionali. OT è il mondo delle macchine : PLC, SCADA, robot, sistemi di controllo industriale, spesso con 15 o 20 anni sulle spalle (o magari nuovi, ma basati su tecnologie che hanno 15 o 20 anni).
Questi due mondi sono stati progettati in epoche diverse, con obiettivi diversi, per scopi diversi. E storicamente non hanno mai avuto bisogno di parlarsi. Integrarli non è un problema software: è un problema di cultura, di priorità e di investimento. IT nasce per la massima apertura e condivisione del dato (veloce cambiamento delle tecnologie), OT nasce per avere stabilità, affidabilità e continuità nel tempo (lentissimo cambiamento delle tecnologie).
Manutenzione predittiva e intelligenza artificiale: l’approccio vincente di Trebi.
Anche se il PLC è nuovo, non è detto che sia facilmente integrabile. La scelta del PLC corretto e della corretta architettura hardware e software di una macchina è un processo complesso che richiede competenze che spesso i costruttori non hanno. In Trebi abbiamo capito questo limite molto tempo fa e le macchine sono state adattate pian piano nel tempo, e oggi sono pronte alla sfida.
Oggi facciamo convivere i mondi IT e OT al meglio: usiamo sistemi PLC e architetture molto affidabili e stabili, ma le integriamo nel modo in cui IT riesca a raccogliere i dati per la maggiore efficienza.
Questi concetti sono alla base della nostra metologia di lavoro, e di come in TREBI concepiamo il ruolo dell’intelligenza artificiale nella robotica industriale moderna.
Manutenzione predittiva e intelligenza artificiale: l’approccio vincente di Trebi – parte seconda.
In TREBI il punto di partenza è stato diverso da come lo affrontano molti: invece di partire dall’algoritmo, siamo partiti dai dati.
Come abbiamo detto, un punto fondamentale è il dato e le informazioni corrette.
I nostri impianti sono equipaggiati con sistemi PLC moderni che generano dati precisi, strutturati e continui sul processo produttivo reale: parametri di lavorazione, stato degli utensili, comportamento dei robot, variabili di processo. Non segnali grezzi da decifrare, ma informazioni su cui un sistema AI può lavorare in modo affidabile.
Per risolvere il problema del gap IT/OT abbiamo adottato protocolli di comunicazione standard tra macchine e sistemi informativi. Protocolli moderni che permettono a ogni impianto di esporre i propri dati in modo uniforme, sicuro e inter operabile. Il risultato pratico è che il sistema IT del cliente riceve dati coerenti, in tempo reale, senza necessità di ricorrere a complesse e costose integrazioni custom.
Il cliente usa i dati con gli strumenti di analisi che preferisce.
In TREBI non vendiamo software di analisi: mettiamo a disposizione quello che rende quel software efficace. Entrando nel mondo di TREBI si ottiene accesso ad un mondo fatto di innovazione, selezione, progettazione strategica a misura di Cliente.
La cosa più importante è che mettiamo a disposizione una knowledge base industriale costruita negli anni, che spiega cosa significano quei dati, quali pattern indicano un’anomalia reale, quali variabili contano davvero e quali sono rumore di fondo.
Questa è la parte difficile da replicare. Un algoritmo si può comprare. Sapere che una certa variazione di parametro su un determinato tipo di lavorazione anticipa un guasto, mentre su un’altra lavorazione è del tutto normale, si costruisce con anni di lavoro sul campo. In TREBI questa esperienza viene strutturata e trasferita, così che il sistema predittivo del cliente funzioni bene fin dall’inizio, senza dover imparare tutto da zero.
Un ulteriore problema è la distanza tra AI “da laboratorio” e AI “da produzione”. Molte soluzioni funzionano bene in ambiente controllato e si inceppano appena incontrano le variabili reali di uno stabilimento: rumore nei dati, discontinuità nei cicli, comportamenti anomali che il modello non ha mai visto in fase di training.
Infine c’è la questione delle competenze. Riassumiamo i principali punti al riguardo:
- Fare manutenzione predittiva con AI richiede persone che capiscano in modo approfondito sia i processi industriali che i dati (e quindi la loro struttura, origine e natura)
- Non basta un data scientist senza esperienza di fabbrica per riuscire ad integrare manutenzione predittiva e intelligenza artificiale.
- Non basta un tecnico di manutenzione che non ha mai lavorato con i modelli.
- Ci vuole qualcuno che comprende l’intelligenza artificiale, le problematiche di manutenzione, di produzione, di gestione di macchine e di vita vera in stabilimento.
Esistono persone del genere? La realtà è che questa tecnologia è in fase di sviluppo e queste persone attualmente sono rare da trovare. Quando ci sono, si stanno formando per essere capaci di manovrare il sistema.
Perché la realtà e che i sistemi AI non sono magici, potenziano solo le competenze delle persone. Se queste competenze non ci sono, allora la tecnologia non funziona come ci si aspetta. Come avere un auto da corsa senza il pilota giusto: non si può pretendere di fare il record di velocità del circuito con il primo pilota che passa!
Una questione di metodo, non di tecnologia
Combinare efficacemente manutenzione predittiva e intelligenza artificiale non è più una scommessa sul futuro. È una strategia che si può implementare oggi, ma non è una bacchetta magica: bisogna fare delle scelte giuste e contretizzarle nel modo corretto.
Il cambiamento più importante non riguarda mai solo la tecnologia. Riguarda il modo di pensare alla fabbrica: non più come un sistema da riparare quando si rompe, ma come un processo da governare in modo continuo, con i dati come strumento principale.
Chi otterrà i risultati migliori non sarà necessariamente chi adotta l’AI più sofisticata. Sarà chi riesce a integrarla in modo concreto nei propri processi. Il segreto del successo sarà: dati di qualità, competenze adeguate e una comprensione reale di quello che succede sull’impianto.
Manutenzione predittiva e intelligenza artificiale: un’abbinata che non sostituisce l’esperienza industriale, la amplifica …. a condizione che quell’esperienza ci sia davvero!


