AO_429

APRILE 2021 AUTOMAZIONE OGGI 429 90 AO MANUTENZIONE PREDITTIVA IoT utilizzati per determinare le condizioni di una macchina po- trebbero riguardare fattori come la temperatura e le vibrazioni, mentre altri dati statici inseriti nel modello potrebbero coprire le specifiche relative a marca, modello o configurazione. Oltre a questo, possono essere utilizzati i dati cronologici di esercizio e le informazioni di assistenza, indispensabili per aumentare l’efficacia del modello e migliorarne i risultati predittivi. Al tutto vanno aggiunti elementi di consapevolezza contestuale, che tengano conto della complessa variabilità statica e dinamica dei dispositivi fisici, spesso influenzata dalle specificità dell’am- biente operativo. Estrapolando gradualmente i modelli e iden- tificando comportamenti anomali nel contesto delle tipologie di condizioni variabili riscontrate negli ambienti industriali, il software di apprendimento automatico può integrare più accu- ratamente le tendenze a lungo termine e individuare eventi inde- siderati prima che sfocino in periodi di inattività. Due esempi di manutenzione più intelligente con IoT Tali tecniche sono già utilizzate con buoni risultati nella produ- zione discreta nell’ambito di iniziative concepite per sviluppare le fabbriche intelligenti del futuro. Un esempio riguarda Sandvik, produttore di strumenti e sistemi di lavorazione, che ha collabo- rato con Microsoft per creare attrezzature da taglio sensorizzate. L’approccio di Sandvik combina raccolta dati, analisi in streaming e apprendimento automatico per notificare ai tecnici quando è necessaria la manutenzione delle punte degli utensili, o per fornire un avviso di guasto imminente. Parallelamente, un gruppo di ingegneri di ABB ha sviluppato una soluzione di manutenzione predittiva per applicazioni critiche di motori e azionamenti in ambito manifatturiero. In questo caso, sensori, cloud computing e apprendimento automatico si combi- nano per offrire una panoramica sulle prestazioni delle apparec- chiature, al fine di tutelare l’esercizio della produzione secondo quanto pianificato. Il sistema è stato utilizzato con buoni risultati da Tenaris, produttore italiano di tubi in acciaio. L’azienda è ricorsa a questa tecnologia per monitorare i motori ad alta e bassa ten- sione che azionano le pompe e i ventilatori critici, h 24, 7 giorni su 7. La soluzione di manutenzione predittiva è stata sfruttata per raccogliere e analizzare le vibrazioni. Questo fenomeno è un sin- tomo di guasti ai cuscinetti e anomalie di tensione e di alimenta- zione che precedono un cortocircuito. Le sfide della manutenzione predittiva Il concetto di manutenzione predittiva abilitata da IIoT è ormai ben assimilato, tanto che alcune aziende lungimiranti lo stanno utilizzando all’interno dei loro stabilimenti. Perché dunque una recente ricerca dimostra che il tasso di adozione nel settore mani- fatturiero è più lento del previsto? Un sondaggio condotto su 600 dirigenti high-tech dalla società di consulenza manageriale Bain and Company ha rilevato che nel 2018 i clienti industriali erano meno entusiasti del potenziale della manutenzione predittiva rispetto a due anni prima. Questo cam- biamento di opinione, secondo Bain and Company, è avvenuto perché i produttori hanno riscontrato come l’implementazione della manutenzione predittiva sia più difficile di quanto si aspet- tassero e che ricavare informazioni dai dati rilevati si è dimostrato più impegnativo di quanto si ritenesse inizialmente. In corrispon- denza dell’avvio dei progetti proof-of-concept, molte di queste so- cietà avevano identificato degli ostacoli in merito all’integrazione, alla mancanza di competenze tecniche, alla portabilità dei dati e ai rischi associati alla transizione. Il sondaggio ha rilevato che, sebbene nel lungo termine i produt- tori serbassero un certo entusiasmo nei confronti della manuten- zione predittiva abilitata IIoT, molti stavano riflettendo sul fatto che l’implementazione dei progetti digitali avrebbe potuto richie- dere più tempo di quanto inizialmente ipotizzato e che il ritorno sull’investimento avrebbe potuto essere più lungo del previsto. Sei strumenti per progetti di successo Questo ritrovato senso di realismo potrebbe rivelarsi vantaggioso nel lungo termine. Man mano che l’entusiasmo iniziale in merito al tema della manutenzione predittiva si attenua, è probabile che si inneschi un dibattito più ponderato sui pro e contro. Ciò offrirebbe anche l’opportunità di fare il punto sulla situazione e di adottare i suggerimenti e le best-practice delle organizzazioni che hanno aperto la strada. Hitachi, per esempio, ha identificato sei tra strumenti e tecnologie cui tutti gli ambienti di manutenzione predittiva proficui dovreb- bero rifarsi per ottenere risultati efficaci e ragionevole possibilità di successo. Questi sono: fare piccoli programmi pilota iniziali; avere una suite tecnologica per l’aggregazione dei dati; dotarsi di algoritmi per monitorare modelli ed eventi in tempo reale; avere flussi di lavoro efficaci; una gestione dell’assistenza; consenso per la gestione del cambiamento. Queste best practice dovrebbero assistere gli ingegneri nel mo- mento in cui affrontano le questioni legate al contesto di business, al valore promesso, ai requisiti tecnologici e informativi e alle sfide per la completa implementazione e per la concretizzazione delle premesse della manutenzione predittiva. Anche se il percorso potrebbe richiedere più tempo di quanto ini- zialmente previsto, in definitiva la manutenzione predittiva abili- tata IIoT offre un mondo coraggioso per permettere ai costruttori di migliorare la produttività, di sostenere la sicurezza e di ridurre i costi. Avnet Abacus - www.avnet.com/wps/portal/abacus/ Sebbene il concetto di manutenzione predittiva abilitata da IIoT sia ormai ben assimilato, il tasso di adozione nel settore manifatturiero è più lento del previsto