La manutenzione predittiva è una politica di monitoraggio dei beni fisici di un'organizzazione per rilevare potenziali problemi in futuro ed eseguire azioni correttive prima che i componenti si guastino o si guastino. I tipi di asset tipicamente monitorati includono attrezzature di grandi dimensioni e di valore, come la strumentazione e le macchine da campo, e componenti di piccole dimensioni ma essenziali, come le valvole e le cinghie delle ventole.
Un sistema di manutenzione predittiva è l'applicazione pratica di una politica di manutenzione predittiva. Un sistema di manutenzione predittiva è costituito da sensori collegati all'hardware del campo, dai mezzi per integrarsi con i sistemi di controllo industriale per raccogliere i dati dei sensori ed eseguire azioni correttive e da un software di analisi predittiva per analizzare i dati e fare previsioni sui potenziali guasti futuri delle apparecchiature. Il fulcro di un sistema di manutenzione predittiva è un hub di controllo attraverso il quale vengono programmate le attività per le squadre di manutenzione.
Prima di implementare una politica di manutenzione predittiva, le organizzazioni devono progettare un programma di manutenzione predittiva (piano d'azione). Un programma di manutenzione predittiva descrive le risorse che saranno sottoposte a manutenzione e identifica i potenziali punti di guasto, chiamati modi di guasto, in diverse condizioni operative.
Le modalità di guasto sono i modi specifici in cui i componenti possono potenzialmente guastarsi. Esempi di modalità di guasto sono l'errore umano, la corrosione, l'erosione, l'usura e la fatica dei metalli. Le modalità di guasto possono causare malfunzionamenti come cinghie delle ventole disallineate, guasti alle guarnizioni delle pompe, difetti di lubrificazione e serbatoi di carburante vuoti. I componenti possono avere più modalità di guasto potenziali.
Il modello di manutenzione predittiva per la manutenzione degli asset si è evoluto in risposta alle limitazioni e agli svantaggi dei modelli di manutenzione preventiva e reattiva. Ad esempio, la manutenzione preventiva richiede molta manodopera e può comportare una manutenzione eccessiva, mentre la manutenzione reattiva richiede molto tempo e può comportare fermi macchina sporadici.
La strategia di manutenzione degli asset di un'organizzazione di solito combina diversi tipi di approcci alla manutenzione degli asset per affrontare diversi tipi di problemi. Ad esempio, i programmi di manutenzione reattiva forniscono soluzioni per i guasti imprevisti delle apparecchiature. L'obiettivo di un sistema di manutenzione predittiva, invece, è quello di prevedere quando potrebbe verificarsi un malfunzionamento dell'apparecchiatura e prevenire i guasti attraverso attività di manutenzione correttiva programmata.
I limiti del modello tradizionale di manutenzione predittiva per la manutenzione degli asset hanno portato un numero crescente di organizzazioni ad adottare un approccio ibrido, che combina il monitoraggio delle condizioni, la manutenzione predittiva basata sull'IoT e le tecniche di manutenzione prescrittiva.
La manutenzione predittiva mira a eseguire la manutenzione correttiva prima che l'apparecchiatura si guasti, mentre la manutenzione a guasto viene eseguita dopo il guasto dell'apparecchiatura.
Esempi di manutenzione a guasto sono la manutenzione reattiva o correttiva, la manutenzione run-to-failure (RTF) e i tempi di fermo non pianificati.
Quando un asset si è guastato inaspettatamente, le informazioni sulla causa, la gravità e la probabilità che il guasto si verifichi in futuro forniscono l'input per gli algoritmi di analisi predittiva che prevedono la probabilità di futuri guasti alle apparecchiature.
Il costo iniziale dell'implementazione di programmi di manutenzione a guasto è basso, ma il costo di riparazione dei beni nei programmi di manutenzione a guasto è alto, perché i pezzi possono dover essere sostituiti invece di essere riparati e possono non essere prontamente disponibili, il che può comportare lunghi periodi di fermo macchina non pianificati. La manutenzione a guasto è una sorta di "piano B".
Come la manutenzione predittiva, la manutenzione preventiva o basata sul tempo riduce il verificarsi e l'impatto dei guasti alle apparecchiature.
La manutenzione preventiva prevede l'esecuzione di attività di manutenzione in dipendenza delle condizioni dei componenti.
La manutenzione preventiva prevede la programmazione di attività di manutenzione regolari che potrebbero essere superflue, come la sostituzione di un componente in base alle stime del produttore sulla durata di vita prevista del componente. La manutenzione preventiva è importante nei sistemi mission-critical e di sicurezza.
I termini manutenzione basata sulle condizioni (CBM) e manutenzione predittiva sono talvolta usati in modo intercambiabile, ma sono leggermente diversi.
Entrambi i tipi di manutenzione prevedono il monitoraggio regolare dei dati dei sensori per identificare un potenziale guasto o problema con un componente.
Le tecniche di manutenzione predittiva utilizzano formule che combinano i dati dei sensori in tempo reale e i dati storici per fare previsioni sui requisiti di manutenzione futuri. Ad esempio, gli algoritmi analitici predittivi possono stimare quanto tempo ci vorrà prima che un serbatoio debba essere rifornito di carburante e programmare un'attività per le squadre di manutenzione per farlo in futuro.
Il CBM si basa su misurazioni in tempo reale per intervenire quando i dati del sensore non rientrano nell'intervallo di valori ottimali, ad esempio quando il volume di carburante in un serbatoio è troppo basso. In questo scenario, le squadre di manutenzione potrebbero non avere le risorse per eseguire l'operazione di rifornimento in quel momento, lasciando una macchina temporaneamente inattiva.
Usati insieme, la manutenzione predittiva e il CBM possono aiutare le organizzazioni a monitorare le apparecchiature per individuare malfunzionamenti attuali e futuri.
I modelli di manutenzione prescrittiva fanno un passo avanti rispetto ai tradizionali modelli di manutenzione predittiva. I sistemi di manutenzione predittiva prevedono potenziali guasti alle apparecchiature e suggeriscono modi per ritardarli o ridurli in futuro. Ad esempio, i risultati di un programma di manutenzione predittiva possono evidenziare la probabilità che un nastro trasportatore si rompa nei prossimi mesi.
Con un approccio di manutenzione prescrittiva, i risultati includerebbero informazioni su come gestire il nastro trasportatore per aumentarne la durata, ad esempio riducendone la velocità, e ridurre gli inevitabili tempi di inattività delle squadre di manutenzione per la sostituzione delle parti.
A causa dei costi di implementazione delle soluzioni di manutenzione predittiva, i sistemi predittivi tradizionali si sono concentrati sugli asset più critici e preziosi di un'organizzazione. La manutenzione predittiva delle apparecchiature meno critiche e di minor valore comportava solitamente controlli irregolari, programmati e casuali, da parte degli addetti alla manutenzione.
Nei moderni sistemi di manutenzione predittiva, le tecnologie IoT, come le molteplici opzioni di connettività wireless, i sensori MEMS (Micro Electro-Mechanical System) a basso costo, l'integrazione con sistemi esterni, il cloud computing, l'aumento della capacità di archiviazione basata su cloud e l'intelligenza artificiale, rendono possibile una manutenzione predittiva affidabile di più asset su grandi reti di produzione.
Gli avvisi personalizzati e la visualizzazione dei dati consentono di identificare e prevenire rapidamente i problemi di salute e di prestazioni della rete.
I sistemi di manutenzione predittiva sono particolarmente importanti per il funzionamento sicuro e affidabile delle risorse in sistemi critici come quelli del settore petrolifero e del gas, minerario, dell'aviazione, della produzione industriale, delle centrali nucleari e dei fornitori di servizi.
I sistemi di manutenzione predittiva sono comunemente utilizzati:
Alcuni casi d'uso dei sistemi di manutenzione predittiva sono:
La manutenzione predittiva aiuta le organizzazioni a:
Notifiche in tempo reale significano una risoluzione più rapida dei problemi, in modo da poter intervenire prima che si verifichino problemi più gravi.
I sensori di monitoraggio delle condizioni monitorano la salute, lo stato e il comportamento dei componenti raccogliendo informazioni su variabili quali temperatura, corrosione, pressione, vibrazioni, rumore e volume. Le variabili sono indicatori di condizione.
Quando si progettano programmi di manutenzione predittiva, gli scienziati dei dati specificano quali indicatori di condizione sono più utili per distinguere tra il funzionamento normale e quello difettoso di un particolare componente.
Strumenti come gli analizzatori a infrarossi, dell'olio, delle vibrazioni, dei circuiti del motore, dell'allineamento laser e degli ultrasuoni misurano gli indicatori di condizione da diversi tipi di sensori:
Nei moderni sistemi di manutenzione predittiva, i modelli di apprendimento automatico (ML) utilizzano i dati storici dei sensori e le informazioni sulle prestazioni di un impianto per stabilire modelli e linee di base del comportamento normale. Questi modelli cercano poi deviazioni e anomalie nelle prestazioni in tempo reale degli asset e fanno previsioni su se e quando un componente potrebbe guastarsi.
Gli algoritmi di ML utilizzano dati provenienti non solo dai sensori ma anche da fonti esterne, ad esempio informazioni provenienti dal rapporto di un operatore sul campo, dati storici da una soluzione di pianificazione delle risorse aziendali (ERP) o dati situazionali come le condizioni meteorologiche avverse che possono avere un impatto sul funzionamento di componenti specifici.
Gli ordini di lavoro forniscono istruzioni alle squadre di manutenzione per la riparazione dei componenti. Le operazioni di riparazione possono essere eseguite a distanza, ad esempio chiudendo a distanza una valvola, o con l'intervento umano, ad esempio sostituendo fisicamente un pezzo.
Gli ordini di lavoro vengono creati tramite un CMMS, automaticamente o manualmente. I CMMS memorizzano anche i dati storici sulle prestazioni degli asset e aiutano ad automatizzare la schedulazione delle attività di manutenzione ordinaria e correttiva. Forniscono un hub centrale per organizzare i flussi di lavoro e memorizzare le informazioni provenienti da applicazioni esterne, come i sistemi di gestione dell'inventario e della forza lavoro.
In genere, la creazione di un programma di manutenzione predittiva prevede le seguenti fasi:
In primo luogo, i team di gestione e IT identificano gli asset critici e di valore e documentano il funzionamento ottimale di questi asset, compresa la gamma di valori desiderati per parametri specifici, come la posizione delle pale di una turbina eolica in condizioni meteorologiche specifiche. Queste informazioni forniscono misure di base per il funzionamento desiderato di un asset.
In secondo luogo, un database CMMS viene popolato con informazioni su ogni asset. I registri storici sulla manutenzione degli asset, le informazioni del personale di manutenzione e operativo e le informazioni sulle apparecchiature fornite dai produttori forniscono preziose indicazioni sulle potenziali modalità di guasto.
In terzo luogo, gli analisti di sistema utilizzano l'analisi delle modalità di guasto e degli effetti (FMEA) per identificare le possibili ragioni per cui i componenti del sistema potrebbero guastarsi, la possibilità che si verifichino i guasti (da estremamente probabile a improbabile) e le conseguenze che ne potrebbero derivare (dal rischio di vita a lievi danni alle apparecchiature). Gli ordini di lavoro vengono classificati in base a queste priorità.
In quarto luogo, i tecnici installano apparecchiature per il monitoraggio delle condizioni, come sensori e PLC.
Quinto, i data scientist creano algoritmi predittivi per valutare il comportamento e lo stato in tempo reale di un asset rispetto al suo funzionamento di base. Il flusso di lavoro per la creazione di un algoritmo predittivo consiste nel raccogliere i dati dei sensori, preelaborarli in un formato da cui si possano estrarre indicatori di condizione utili per un asset specifico, iniettare gli indicatori di condizione in un modello di ML e infine distribuire l'algoritmo, inizialmente su asset pilota per testarlo.
In sesto luogo, vengono formulate attività automatiche correttive e istruzioni ai tecnici per rispondere agli allarmi su possibili guasti ai componenti.
Un quadro comunemente utilizzato per sviluppare un programma di manutenzione predittiva è il modello di manutenzione incentrato sull'affidabilità (RCM). Non tutte le apparecchiature possono essere mantenute in modo economicamente vantaggioso utilizzando tecniche di manutenzione preventiva e non tutte le apparecchiature necessitano di manutenzione predittiva. L'RCM aiuta le organizzazioni ad analizzare le cause principali dei potenziali guasti delle apparecchiature e a progettare programmi di manutenzione più efficienti per diversi tipi di beni e per diversi requisiti.
Gli obiettivi di un'analisi RCM sono l'identificazione delle modalità di guasto, la definizione delle priorità in termini di rischio e di costo, la scelta dei processi migliori per ridurre i guasti e la conservazione della funzionalità desiderata di un sistema.
La RCM non è la stessa cosa della manutenzione predittiva. Utilizzando la RCM, le organizzazioni possono analizzare i benefici di diversi tipi di tecniche di manutenzione, come la manutenzione predittiva, preventiva o reattiva, per asset specifici in condizioni diverse, cioè per diverse modalità di guasto.
Ad esempio, una particolare apparecchiatura potrebbe essere soggetta all'usura del cablaggio e richiedere una manutenzione predittiva. Un'altra apparecchiatura potrebbe dipendere in larga misura da una connessione affidabile al cloud e avere a disposizione opzioni di connessione alternative per ridurre i tempi di inattività imprevisti del sistema. Un'altra apparecchiatura potrebbe aver bisogno di una manutenzione regolare e preventiva per rispettare le severe norme di sicurezza.
La RCM è stata sviluppata nel settore dell'aviazione commerciale per migliorare l'affidabilità e la sicurezza delle apparecchiature. Si basa sullo standard della Society of Automotive Engineers (SAE) JA1011, pubblicato nel 1978 dal Dipartimento della Difesa degli Stati Uniti. Lo standard SAE JA1011 è il più utilizzato per sviluppare sistemi di manutenzione predittiva.
PRTG Network Monitor è un software di monitoraggio di rete completo che tiene traccia dell'intera infrastruttura IT.
La progettazione e l'implementazione di una soluzione di manutenzione predittiva può richiedere tempo, lavoro e costi elevati. Se siete alla ricerca di uno strumento di monitoraggio che vi supporti nel vostro programma di manutenzione predittiva, contattate gli esperti di monitoraggio di Paessler per discutere dei vostri requisiti.
PRTG è in grado di monitorare quasi tutti gli oggetti di monitoraggio dotati di indirizzo IPS. Leggete qui un caso di studio su come i prodotti PRTG monitorano l'intera infrastruttura di un impianto di gestione delle acque.
