L’Industria 5.0 sfrutta la potenza dell’intelligenza artificiale e dell’IIoT affinché i team di manutenzione possano operare in modo più efficiente
Il concetto di manutenzione ha subito importanti mutamenti negli ultimi decenni, evolvendo da una posizione tradizionale, ovvero intervenire con la riparazione quando si verifica un guasto, a un’attività molto più complessa, che prevede interventi anche in un’ottica di analisi preventiva e periodica e che impone sempre più attenzione ai concetti di formazione e preparazione. Il ruolo della manutenzione è estremamente importante per evitare failure di sistemi nelle industrie manifatturiere e in quelle di processo, come le industrie chimiche e gli impianti di oil&gas, dove guasti e fallimenti di sistema possono culminare non solo in danni ai lavoratori e in perdite economiche dovute ai lunghi tempi di riallineamento dell’impianto ma soprattutto a problematiche che possono determinare un grande impatto sull’ambiente. Dall’industria elettrica e chimica a quella manifatturiera e cartaria, i casi d’uso evidenziano quadri drammatici di interruzioni non pianificate, fortunatamente evitate con l’aiuto del software di analisi predittiva: l’azienda elettrica statunitense Duke Energy ha risparmiato oltre 34 milioni di dollari con un singolo allarme preventivo; SCG Chemicals ha aumentato l’affidabilità dell’impianto dal 98% al 100% grazie all’identificazione e alla segnalazione tempestiva di potenziali guasti agli asset prima che si verifichino. Storie da prima pagina come queste stanno diventando sempre più comuni, dato che un numero sempre maggiore di imprese industriali abbracciano i vantaggi del rilevamento preventivo delle anomalie e della diagnostica dei guasti.
Prospettive e analisi predittiva
Secondo analisi recenti, le dimensioni del mercato globale dell’analisi predittiva passeranno da circa 12,5 miliardi di dollari nel 2022 a 38 miliardi di dollari entro il 2028, con un Cagr del 20%. Queste prospettive favorevoli tengono conto del miglioramento delle tecnologie e degli algoritmi di intelligenza artificiale (AI) e di apprendimento automatico (ML), dei nuovi approcci all’implementazione dell’analisi predittiva su scala e dell’utilizzabilità e gestione dei dati e dei sistemi. In concreto, la manutenzione è quell’insieme di attività tese a preservare nel tempo l’impianto o la macchina, mantenendo alti livelli di sicurezza per l’operatore nonché della qualità, affidabilità ed efficienza. Tale definizione, però, si sta via via modificando e, sempre più spesso, la manutenzione viene considerata una scienza, non più limitata alla sostituzione di componenti usurati, ma come parte integrante della strategia produttiva e dell’ecosistema aziendale, supportata da imponenti modelli matematici e statistici che supportano l’attività del manutentore nell’adozione di un nuovo punto di vista basato sui dati. Si parla infatti di data driven maintenance; questo nuovo approccio, dunque, pone la manutenzione di un impianto come una componente importante delle varie attività produttive, poiché attraverso la corretta manutenzione degli impianti si riesce a creare la perfetta sinergia di quell’ecosistema formato da asset-persone-processi. Le aziende industriali raccolgono più dati che mai. Per massimizzare l’utilizzo dei dati, devono però semplificare non solo la condivisione e l’accesso alle informazioni, ma soprattutto la loro contestualizzazione con insight significativi. Molte aziende industriali faticano a condividere informazioni tempestive e accurate in tutto il loro ecosistema globale. Inoltre, hanno difficoltà a sfruttare in modo efficiente i dati giusti per le loro analisi predittive. Un’organizzazione potrebbe già monitorare quando i suoi asset raggiungono una certa soglia, come la temperatura, il tasso di calore, il consumo di carburante, il consumo di energia o le pressioni differenziali. Sebbene queste metriche possano rappresentare un’indicazione preziosa, sono statiche e, in quanto tali, sono più utili quando le condizioni operative e il carico non cambiano. Quando le condizioni cambiano, gli operatori hanno bisogno di più parametri per tenere traccia di eventuali deviazioni nel comportamento previsto dell’impianto. Un ambiente di produzione più dinamico, in cui le condizioni operative e il carico possono variare, richiede procedure più flessibili. Gli strumenti di analisi predittiva tengono traccia delle condizioni effettive e operative degli asset in tempo reale per prevedere un possibile problema futuro, tenendo conto di più soglie e modelli di cambiamento e analizzando il comportamento storico degli asset dell’impianto. Questo sistema consente piani di manutenzione molto più efficaci e offre una visione chiara delle relazioni tra i modelli degli asset, le condizioni e modalità di guasto, i sensori e le informazioni di corrispondenza dei guasti effettivi per creare insights significativi e mettere gli utenti nelle condizioni di capire il motivo del deterioramento di un asset e valutare meglio il rischio di un intervento di manutenzione. Al fine di implementare una strategia di analisi predittiva e manutenzione efficace, le aziende devono costruire un’infrastruttura di dati utilizzando soluzioni in grado di integrare tutte le fonti di informazioni, dalla progettazione alle operazioni, dalla gestione degli asset alla finanza aziendale. Le soluzioni di diagnostica dei guasti devono essere in grado di segnalare un allarme e di declinarlo in relazione a tempo, criticità e urgenza, nonché all’impatto economico generato, tenendo conto di tutti i parametri necessari relativi alla progettazione, alla gestione degli asset e agli aspetti finanziari.
Le soluzioni proposte da Aveva
Il portafoglio di soluzioni di analisi predittiva di Aveva è diventato rapidamente lo standard per il settore. Combinando la tecnologia digital twin con Aveva Predictive Analytics, le aziende di un’ampia gamma di settori industriali hanno tracciato un percorso verso il miglioramento delle operazioni. Aveva Predictive Analytics è una soluzione no-code che non richiede il supporto di ingegneri software o data scientist. L’intelligenza artificiale della soluzione offre una gestione avanzata degli avvisi e dei casi, consentendo l’acquisizione di conoscenze e la creazione di report mirati. I modelli accelerano la configurazione, l’implementazione e lo scale-up, garantendo il massimo ROI. Quando le imprese costruiscono una replica digitale di un asset o di un impianto utilizzando soluzioni digital twin, possono analizzare rapidamente più fonti di dati in modo integrato, eliminando i silos informativi e di conseguenza riducendo la complessità di visualizzazione e incentivando la collaborazione e l’innovazione. Grazie alle notifiche e alla diagnosi tempestiva dei problemi delle apparecchiature prodotte da Aveva Predictive Analytics e Aveva PI System, le aziende arrivano a registrare una riduzione delle spese operative (Opex) fino al 20%. La previsione fornisce agli utenti informazioni sul livello di urgenza e sul tempo rimanente prima che si verifichi un guasto critico su un asset. Una libreria di asset e modelli, derivata da oltre 22.000 ore di esperienza, prescrive azioni correttive, riducendo così i tempi di riparazione. Ad esempio, Mitsubishi Power ha utilizzato le soluzioni di analisi predittiva di Aveva per aumentare la consapevolezza operativa dei propri sistemi energetici. Grazie alla nuova capacità di monitorare i più recenti sistemi di generazione di energia, come i produttori di idrogeno e le batterie di accumulo dell’energia, l’azienda ha ottenuto notevoli risultati per prevenire le interruzioni non programmate. A prescindere dalla strategia aziendale adottata, qualsiasi attività manutentiva prevede una fase esecutiva per la sostituzione delle componenti usurate. Eppure, quella che sembra una semplice fase può nascondere notevoli complessità anche per un manutentore esperto a causa di molti aspetti come lo smontaggio e rimontaggio complesso di parti dell’impianto, da eseguirsi, possibilmente, con strumentazione ad hoc e seguendo precise sequenze operative che tengono conto delle normative di sicurezza vigenti. Oppure a causa di attività non frequenti. Questo aspetto è da ricercare in un personale interno con skill trasversali (ad esempio un manutentore che interviene su numerose parti di impianto e che si trova a dover interagire con tante tecnologie diverse) o quando si interviene su componenti dal ciclo di vita lungo. Oppure invece a causa di attività frequenti, magari sostenute da operatori esperti che, in alcuni casi, hanno peccato di over confidence relativamente alla sequenza operativa da seguire e alle specifiche di sicurezza da mettere in atto per ottemperare alla richiesta manutentiva. Le cosiddette smart factory hanno iniziato a integrare negli spazi operativi una serie di tecnologie atte a supportare gli operatori nell’esecuzione delle proprie attività di manutenzione, come ad esempio le tecnologie indossabili (wearable), o l’accesso realtime a dati macchina e a dati gestionali, o la sensoristica macchina e ambientale. Oltre agli aspetti prettamente operativi, uno dei grandi benefici ottenibili dall’adozione di una politica di manutenzione innovativa è legato alla riduzione dei costi end to end. Spostando la manutenzione da una logica non pianificata a una pianificata, si guadagna il vantaggio di non dover più lavorare in emergenza ma, al contrario, si può beneficiare dell’opportunità di pianificare attività diverse su uno stesso impianto/macchina o di eseguire quella stessa attività su più impianti gemelli. La pianificazione degli interventi impatta anche sulla logistica del magazzino perché consente di misurare elevati margini di miglioramento nella gestione delle parti di ricambio e, quindi, dei relativi costi. La fusione di una corretta politica di manutenzione con l’adozione di strumenti digitali innovativi rappresenta un’importante leva per migliorare gli indicatori economici e l’efficientamento, senza rinunciare a sicurezza e qualità, che sono da sempre imprescindibili e spesso differenzianti nel mercato. Attraverso l’analisi di indicatori di performance, l’OEE (Overall Equipment Effectiveness) e il Teep (Total Effective Equipment Performance), si può misurare la saturazione degli impianti e, nello stesso tempo, supportare i manager nell’opera di definire dei turni del personale più efficienti, contribuendo all’abbattimento dei costi di fabbrica. Grazie alla connettività presente negli impianti, alla possibilità di raccogliere ed elaborare dati in tempo reale, all’alta scalabilità data dal cloud, oggi la manutenzione non rappresenta più il costo necessario di una volta, ma un’opportunità di miglioramento ed efficientamento dei processi produttivi e degli impianti. L’adozione in Italia è stata molto lenta, nonostante i vari fattori abilitanti che le recenti politiche, negli ultimi 10 anni, hanno messo a diposizione della piccola e media impresa. La sfida è tutta lì: i grandi gruppi industriali hanno avuto accesso in early adoption a certe tecnologie e già da tempo hanno iniziato a testare con vari proof of concept quei benefici che i nuovi processi portavano con sé. Ad oggi abbiamo raggiunto una certa maturità nel settore, quanto meno una certa consapevolezza che l’ondata digitale, ulteriormente rafforzata dall’adozione massiva del cloud imposta dal blocco di produzione del Covid, sia davvero utile a migliorare e rendere più virtuosi processi che avevano bisogno di innovarsi. Questo nonostante, dal punto di vista prettamente tecnologico, siamo solo all’inizio: importanti cambiamenti si profilano all’orizzonte, nuove piattaforme si stanno avvicinando a grandi passi verso il mondo industriale e un grande cambio di paradigma farà da abilitatore per la prossima ondata. Speriamo che l’Italia si ponga come leader della nuova ondata e sappia coglierne e anticiparne i benefici, evitando così di dover rincorrere i trend come, purtroppo, gli ultimi anni hanno testimoniato.
Aveva – www.aveva.com