Perché oggi si parla di manutenzione predittiva in foderia
Negli ultimi anni il tema della manutenzione predittiva in fonderia è diventato centrale nel dibattito sull’industria manifatturiera. Convegni, articoli, brochure di fornitori: sembra che senza un sistema di intelligenza artificiale applicato alla manutenzione si sia già fuori mercato.
La realtà, come spesso accade, è molto più sfaccettata.
Per capirla, partiamo dai fondamentali. Esistono tre approcci principali alla manutenzione industriale in fonderia, senza scomodare concetti legati all’intelligenza artificiale.
- Manutenzione a guasto: si interviene quando qualcosa si rompe. Semplice, economica nella gestione quotidiana, ma esposta al rischio di fermate non pianificate. È la scorciatoia che si prende per evitare di pianificare. Se si è fortunati si spende poco e si risolve in fretta, ma gli studi dimostrano che in fonderia è una strategia perdente per definizione.
- Manutenzione preventiva: si interviene a intervalli regolari, indipendentemente dallo stato reale del componente. Riduce le rotture improvvise, ma spreca risorse su componenti ancora in buone condizioni. Molte volte si sostituiscono pezzi non ancora esauriti. Questa è oggi la metodologia più diffusa.
- Manutenzione predittiva: si interviene quando i dati segnalano che un componente si sta degradando, prima che il guasto si verifichi. È l’ideale teorico, ma richiede un solido lavoro di preparazione: dati, analisi e, soprattutto, una conoscenza approfondita del processo. Introduce in fabbrica un nuovo modo di lavorare, un cambio di organizzazione e di mentalità.
In fonderia, la differenza tra questi tre approcci non è solo una questione di costo di riparazione. Un fermo macchina non pianificato in una linea di sbavatura o finitura può bloccare l’intera produzione a valle, compromettere consegne già confermate, generare scarti su pezzi già lavorati. I costi indiretti superano spesso di gran lunga quelli diretti.
Il problema reale, quindi, non è “fare intelligenza artificiale” o “raccogliere dati”: è evitare fermate non pianificate e difetti di qualità. La tecnologia è uno strumento, non il fine. Questo è fondamentale da tenere presente quando si parla di manutenzione predittiva in fonderia.
Un elemento spesso sottovalutato: gli impianti moderni raccolgono già oggi una quantità enorme di dati utili. PLC, azionamenti, robot industriali, sistemi di visione — tutte queste macchine producono informazioni in continuo. Il punto è saperle leggere ed essere in grado di decodificare i segnali per fare manutenzione predittiva in fonderia.
In TREBI progettiamo impianti robotizzati dove la raccolta dati e la sua riorganizzazione è integrata, per avere un sistema intelligenza artificiale-ready. Promuoviamo la manutenzione preventiva in fonderia (e non solo) e prepariamo le nostre macchine per supportare questa ed altre implicazioni legate all’intelligenza artificiale. Fatte queste premesse, l’implementazione di sistemi di manutenzione predittiva in fonderia sembrerebbe essere dietro l’angolo…
La manutenzione predittiva in fonderia: quali sono le particolarità
Chi non ha mai lavorato in fonderia fatica a capire fino in fondo quanto l’ambiente condizioni ogni scelta tecnica. La fonderia è un processo altamente variabile. Chi lo conosce bene sa come le variabili cambino rapidamente e quanto sia complesso tenerle sotto controllo.
Questo ha conseguenze dirette sulla qualità dei dati che si possono raccogliere: l’ambiente è difficile per definizione, e ottenere dati puliti da elaborare è spesso tutt’altro che scontato.
A complicare ulteriormente il quadro, in fonderia si trovano spesso situazioni produttive molto eterogenee: lotti piccoli, produzioni sostanzialmente diverse l’una dall’altra, materiali con caratteristiche che cambiano da colata a colata. Questo rende difficile definire un “comportamento normale” univoco per la macchina che è invece la base su cui si costruisce qualsiasi sistema predittivo. Questa situazione di base non è di per sé modificabile pianificando l’introduzione della manutenzione predittiva in fonderia. Esistono vincoli che vanno osservati. Ignorare questo elemento significa partire con il piede sbagliato… per non arrivare da nessuna parte!
C’è poi il tema della coesistenza tra macchine vecchie e nuove. In molti stabilimenti una pressa acquistata vent’anni fa lavora accanto ad una macchina robotizzata di ultima generazione. Collegare questi mondi richiede competenze specifiche e soluzioni necessariamente su misura.
Infine, pianificando l’inserimento della manutenzione predittiva in fonderia, c’è da considerare l’esperienza degli operatori. In fonderia, chi lavora da anni su un impianto “sente” quando qualcosa non va: il rumore cambia, le vibrazioni aumentano, il pezzo finito ha un aspetto diverso. Questo patrimonio di conoscenza è prezioso e difficilmente sostituibile da un algoritmo.
TREBI, conoscendo in modo estremamente approfondito l’ambiente, fa in modo che i dati siano comparabili e affidabili. I dati raccolti provengono da sensori opportunamente installati e protetti, e vengono preparati per il sistema di acquisizione con elaborazione affidata all’intelligenza artificiale.
Introdurre o potenziare la manutenzione predittiva in fonderia significa affrontare un processo fatto di premesse tecniche, analisi della situazione specifica, esperienza, efficacia misurabile delle soluzioni adottate. In questo articolo approfondiamo alcuni aspetti relativi ai concetti di intelligenza artificiale e manutenzione predittiva.
Dove ha davvero senso fare manutenzione predittiva in fonderia
Non tutti i componenti di un impianto meritano lo stesso livello di attenzione. Questa semplice osservazione è molto importante in special modo per le realtà che per la prima volta si avvicinano alla manutenzione predittiva in fonderia. Un approccio razionale alla manutenzione predittiva parte dall’identificazione dei punti critici: quei componenti il cui guasto causa fermate prolungate, difficoltà di approvvigionamento dei ricambi, o degrado della qualità del prodotto.
Bisogna capire cosa è strategico e cosa non lo è. È inutile monitorare un processo marginale, facilmente sostituibile. Occorre presidiare i colli di bottiglia e le apparecchiature il cui fermo ha un costo elevato.
Focalizzandosi sulla manutenzione predittiva in fonderia sarà fondamentale monitorare le macchine e i dispositivi che condizionano pesantemente la produttività. Tipicamente:
- Linee di colata: se non funzionano o generano scarti, la redditività dell’azienda precipita.
- Sistemi di supporto alla produzione: compressori, sistemi di raffreddamento. Tutto ciò che può bloccare la produzione in modo immediato va tenuto sotto controllo.
Quali dati si possono monitorare per alimentare i processi di manutenzione predittiva in fonderia
Prima di parlare di algoritmi e intelligenza artificiale, è utile fare un inventario dei dati che un impianto di fonderia può fornire e che sono quindi disponibili per dare vita a processi di manutenzione predittiva in fonderia. Sorprende spesso scoprire quante informazioni siano già disponibili senza aggiungere un solo sensore.
- Tempi di ciclo: è il parametro più facile e importante da monitorare. Un rallentamento progressivo del ciclo, anche di pochi secondi, può indicare un degrado in atto. Il tempo di ciclo variabile è spesso un indicatore universale di problema generato dalla macchina o dal suo utilizzo.
- Vibrazioni: variazioni nel profilo vibrazionale precedono quasi sempre un guasto meccanico.
- Correnti assorbite dai motori: uno dei parametri più informativi e meno sfruttati. Un motore che assorbe più del normale sta lavorando contro una resistenza anomala — potrebbe essere un utensile usurato, un vincolo meccanico, un problema nel materiale lavorato.
- Pressioni nei circuiti idraulici e pneumatici: variazioni anche piccole possono indicare perdite, filtri ostruiti, valvole che iniziano a cedere.
- Qualità del pezzo lavorato: i sistemi di visione industriale possono rilevare derive di qualità prima ancora che il prodotto diventi effettivamente scarto. È una forma indiretta, ma potente, di monitoraggio dello stato dell’impianto.
Se hai letto fino a qua, ti confidiamo un segreto: sai quale informazione è preziosissima ma viene frequentemente ignorata?
Le temperature! Siano esse dei motori, degli azionamenti, dei fluidi idraulici, un aumento progressivo e non giustificato è quasi sempre il segnale di qualcosa che non funziona correttamente.
Nelle macchine TREBI molti di questi dati sono già pronti per essere letti e analizzati alla ricerca di anomalie. Con le macchine robotizzate di TREBI è facile introdurre o espandere la manutenzione predittiva in fonderia!
Sensori, PLC e raccolta dati: come si alimenta la manutenzione predittiva in fonderia.
Una volta identificati i dati da monitorare, il passo successivo è organizzare l’infrastruttura di raccolta. Anche qui, il principio guida dovrebbe essere la semplicità: la soluzione migliore non è la più sofisticata, ma quella che funziona in modo affidabile nell’ambiente reale della fonderia.
In altre parole, inserire soluzioni di manutenzione predittiva in fonderia non significa introdurre complicazioni inutili, magari fragili e poco efficaci.
Secondo l’esperienza di TREBI, il metodo migliore è installare i sensori direttamente sulle macchine, farli pre-elaborare dal PLC integrato, e raccogliere le informazioni pre-elaborate tramite un sistema di intelligenza artificiale installato presso il cliente. Questa architettura garantisce affidabilità e accuratezza del dato. La manutenzione predittiva in fonderia deve lavorare su dati qualitativamente ineccepibili.
Si può anche scegliere di collegare sensori esterni direttamente al sistema intelligenza artificiale, ma questo introduce problemi di compatibilità tecnologica: i sensori nascono per sistemi PLC e si integrano difficilmente con sistemi PC-based come le piattaforme intelligenza artificiale di manutenzione predittiva. Inoltre il dato grezzo è normalmente poco significativo: va rielaborato e filtrato.
Il ruolo dell’intelligenza artificiale nella manutenzione predittiva in fonderia
L’intelligenza artificiale applicata alla manutenzione predittiva in fonderia viene spesso presentata come una soluzione monolitica. In realtà esistono approcci con complessità, costi e requisiti di dati molto diversi tra loro.
Si parla troppo poco del fatto che solo analizzando in modo ordinato e sistematico i dati gestionali di un’azienda si possono ricavare indicazioni concrete sull’efficienza e su come orientare la manutenzione per migliorarla.
Al livello più semplice troviamo le analisi basate su soglie e statistiche: se la vibrazione supera un certo valore, scatta un allarme; se la temperatura media degli ultimi sette giorni cresce del 15%, si genera una notifica. Sono strumenti elementari, ma sorprendentemente efficaci se le soglie sono calibrate correttamente sulla base della conoscenza del processo.
A un livello superiore si trovano le analisi di trend: non si guarda solo al valore istantaneo, ma alla sua evoluzione nel tempo. Un valore che rimane costantemente sotto la soglia di allarme ma cresce settimana dopo settimana è un segnale che merita attenzione.
Più in alto ancora ci sono le tecniche di identificazione delle anomalie e il vero e proprio machine learning: sistemi che imparano il comportamento normale dell’impianto e segnalano deviazioni anche sottili, che un’analisi basata su soglie fisse non rileverebbe mai. Questi sistemi di manutenzione predittiva in fonderia basati su intelligenza artificiale richiedono però una quantità sufficiente di dati storici di buona qualità e una fase di addestramento che non può prescindere dalla conoscenza del processo reale. Secondo una ricerca di McKinsey, la manutenzione predittiva basata su intelligenza artificiale può ridurre i costi di manutenzione fino al 10-25% e le fermate non pianificate fino al 50% — ma solo quando i dati di base sono affidabili e il processo è ben compreso
I limiti reali della manutenzione predittiva in fonderia
Chi vende sistemi di manutenzione predittiva tende a non parlare abbastanza dei problemi specifici, inclusi ovviamente i fallimenti. È invece importante farlo, perché i progetti di intelligenza artificiale, in special modo quelli orientati alla manutenzione predittiva in fonderia, sono sempre difficili da far funzionare e da giustificare inzialmente. Spesso ci si aspettano risultati miracolosi, che non arrivano non perché il sistema non funzioni, ma perché i dati non sono di qualità sufficiente o l’azienda non è in grado di analizzare i risultati in modo corretto.
I falsi allarmi sono il problema più comune. Un sistema troppo sensibile o mal tarato genera continuamente notifiche che i tecnici imparano rapidamente a ignorare. Se il sistema segnala false anomalie, il manutentore smette di usarlo con attenzione. Ecco come trasformare un sistema di manutenzione predittiva in fonderia in un pericolo.
I dati insufficienti o di scarsa qualità rendono qualsiasi analisi inaffidabile. Sensori mal calibrati, installati in posizioni non rappresentative, o in ambienti troppo aggressivi, producono rumore statistico, non informazione.
I costi possono superare i benefici. Non tutti i componenti giustificano l’investimento in un sistema di monitoraggio avanzato. Per un riduttore da pochi centinaia di euro, sostituito in mezz’ora, un sistema di monitoraggio da cinquemila euro non ha senso economico. Bisogna sempre valutare i costi prima delle performance. La domanda giusta da porsi prima di iniziare ad implementare un sistema di manutenzione predittiva in fonderia è: quanto ci costa un fermo macchina? Quanto abbiamo speso negli anni passati per inefficienze o non conformità? La risposta dovrebbe indicare quanto siamo disposti a investire in un sistema di manutenzione predittiva.
La complessità tecnica è un freno reale. Un sistema sofisticato richiede competenze per essere gestito. Se queste competenze non esistono internamente, il sistema verrà presto abbandonato. Un sistema complesso, per definizione, tende a essere dismesso nel tempo.
In TREBI siamo convinti di una cosa: in molti casi, una macchina progettata correttamente, robusta, facilmente accessibile, con componenti standard e ben documentati, vale più di un sistema di manutenzione predittiva estremamente sofisticato installato su una macchina difficile da manutenere. La progettazione orientata all’affidabilità e alla manutenibilità è il primo, vero strumento di manutenzione predittiva in fonderia.
Prima di pensare alla manutenzione predittiva in fonderia, quindi, occorre fare un ragionamento a largo spettro sui costi. Se altri metodi garantiscono efficienza con un investimento minore, la manutenzione predittiva potrebbe semplicemente non valere la spesa.
In fonderia (ma non solo) l’esperienza umana resta fondamentale
C’è un aspetto che i modelli matematici faticano ancora a replicare: la capacità di un operatore esperto di percepire che qualcosa non va.
Facciamo qualche esempio concreto: un cambiamento nel rumore della macchina, una vibrazione leggermente diversa sotto i piedi, un odore insolito, un pezzo che ha un aspetto “non giusto” anche se è formalmente entro tolleranza. Sono segnali deboli, difficili da quantificare, ma che chi lavora ogni giorno su un impianto impara a riconoscere con una precisione sorprendente.
Ignorare questo patrimonio di esperienza in nome della digitalizzazione è un errore costoso. I sistemi di monitoraggio funzionano meglio quando sono progettati per dialogare con gli operatori, non per sostituirli.
La tecnologia deve supportare l’esperienza, non cancellarla. Un buon sistema di manutenzione predittiva in fonderia dovrebbe essere in grado di raccogliere e strutturare anche le osservazioni degli operatori come note, segnalazioni, anomalie percepite, integrandole con i dati dei sensori. In fonderia, questo approccio ibrido è spesso la strada più efficace. Come sottolinea la rivista MIT Technology Review in un’analisi sui sistemi industriali intelligenti, i modelli predittivi più performanti sono quelli che combinano dati di sensori con la conoscenza tacita degli operatori, ridefinendo il ruolo umano da esecutore a collaboratore attivo del sistema
Il manutentore deve essere parte attiva nella raccolta dei dati, non solo il destinatario degli allarmi. Deve essere il primo strumento della manutenzione predittiva: l’intelligenza artificiale deve amplificarne le capacità, non sostituirne il giudizio.
Delle considerazioni aggiuntive sul rapporto uomo – robot – intelligenza artificiale possono essere ricavate dal nostro articolo sui robot collaborativi – cobot.
Quando NON conviene fare manutenzione predittiva
È un argomento che il marketing industriale tende a evitare, ma che un approccio tecnico onesto non può ignorare.
Il fattore determinante è sempre economico: produttività e qualità del prodotto devono giustificare l’investimento.
Non tutti i componenti e non tutti gli impianti giustificano un sistema di monitoraggio predittivo. In particolare:
- Componenti economici e facilmente sostituibili: se un componente costa pochi euro e si sostituisce in dieci minuti, il monitoraggio continuo non ha senso economico. La manutenzione preventiva a intervalli regolari è più che sufficiente.
- Impianti semplici con bassa produzione: il ritorno dell’investimento in un sistema predittivo dipende dalla frequenza d’uso e dal costo delle fermate. Su un impianto che lavora poche ore al giorno su lavorazioni non critiche, i numeri difficilmente tornano.
- Componenti con modalità di guasto non prevedibili: alcuni guasti sono genuinamente casuali e non hanno precursori rilevabili. Per questi, la strategia corretta è investire nella disponibilità del ricambio, non il monitoraggio.
L’obiettivo non è avere il sistema più tecnologicamente avanzato. L’obiettivo è il ritorno reale dell’investimento, misurato in fermate evitate, qualità migliorata, costi di manutenzione ridotti.
Cybersecurity e protezione del know-how
Un tema che nel dibattito sulla manutenzione predittiva viene troppo spesso trattato come secondario, mentre nella realtà delle aziende manifatturiere è sempre più centrale.
I dati di processo di una fonderia non sono dati neutri. Contengono informazioni sui ritmi di produzione, sui parametri di lavorazione ottimali sviluppati in anni di esperienza, sulla qualità dei prodotti, sui fornitori di materie prime. Sono, a tutti gli effetti, know-how aziendale.
È necessario strutturare il sistema che raccoglie i dati alla base del sistema di manutenzione predittiva in fonderia in modo che sia chiuso e affidabile. Mettere i dati in cloud o farli elaborare da un sistema intelligenza artificiale esterno è per definizione un rischio: un rischio di perdita del know-how aziendale.
I contratti possono formalmente tutelare il cliente, ma la protezione reale è avere i dati fisicamente sotto controllo. Non è paranoia: è gestione responsabile di asset informativi che hanno un valore reale. Del resto i sistemi di intelligenza artificiale che lavorano in cloud sono solo una parte di questa tecnologia: esistono anche i sistemi che lavorano in locale, e sono sempre dei sistemi LLM (Large Language Model).
Ulteriori approfondimenti sull’intelligenza artificiale in fonderia in questo articolo.
Il futuro della manutenzione predittiva in fonderia
Le direzioni di sviluppo che si stanno consolidando nel settore sono abbastanza chiare, anche se i tempi di adozione variano molto da azienda ad azienda.
L’intelligenza artificiale a bordo macchina diventerà sempre più comune: non sistemi centralizzati che raccolgono dati da molte macchine, ma intelligenza distribuita direttamente nel controller della macchina, capace di reagire in tempo reale senza dipendere da connessioni esterne. intelligenza artificiale integrata nei sistemi di visione, nei robot. Decentralizzare le competenze direttamente dentro le apparecchiature significa che i dati non lasciano mai l’apparecchiatura stessa, rendendola più affidabile.
Gli assistenti per operatori. Si tratta di sistemi che guidano l’operatore nelle procedure di setup, manutenzione e troubleshooting , e ridurranno la dipendenza dall’esperienza individuale e accelereranno la formazione del personale nuovo.
La diagnostica automatica evolverà verso sistemi in grado non solo di rilevare un’anomalia, ma di identificarne la causa e suggerire l’intervento corretto, riducendo i tempi di diagnosi che oggi pesano molto sui costi di manutenzione.
L’integrazione con MES ed ERP permetterà di connettere lo stato degli impianti con la pianificazione della produzione: un intervento di manutenzione pianificato potrà essere automaticamente inserito nel calendario produttivo, ottimizzando automaticamente l’utilizzo delle risorse.
Il digital twin: la replica virtuale dell’impianto fisico, consentirà di simulare scenari di guasto e testare strategie di manutenzione senza interferire con la produzione reale.
In TREBI, questi non sono scenari futuri astratti. La visione che guida la progettazione dei nostri impianti è quella di macchine non solo automatiche, ma capaci di guidare l’operatore, standardizzare le lavorazioni e conservare l’esperienza tecnica che ogni azienda accumula nel tempo. Invece di disperdere queste informazioni, le rendiamo disponibili per ulteriori futuri utilizzi.
Conclusione
La manutenzione predittiva non è magia. Non è sufficiente installare sensori e connettere tutto a un sistema intelligenza artificiale per eliminare i fermi macchina.
I dati da soli non bastano. Servono la conoscenza del processo, la capacità di interpretare i segnali nel loro contesto reale, e la disciplina di agire sulle informazioni che il sistema fornisce.
L’obiettivo non è raccogliere dati: è aumentare affidabilità, qualità e continuità produttiva. Questi tre risultati si ottengono con un mix di tecnologia ben scelta, progettazione orientata alla manutenibilità, esperienza degli operatori e organizzazione interna.
In fonderia tutto questo diventa ancora più complesso, poiché l’ambiente è difficile e il processo poco stabile rispetto ad altri contesti produttivi, come la lavorazione meccanica.
Prima di parlare di manutenzione predittiva, bisogna valutare costi e benefici di ogni strategia. E ancor prima, bisogna capire quanto costa davvero un fermo improvviso, e quanto si è disposti a fare per evitarlo.
