Un errore, un guasto, un malfunzionamento improvviso. Immaginare l’imprevisto è l’obbiettivo del sistema di manutenzione predittiva che fornisce alle imprese manifatturiere una previsione di un futuro guasto di asset fisici – generalmente intesi come macchinari –al fine di ridurre significativamente periodi di fermo macchina durante il processo produttivo. “Una nuova filosofia della manutenzione” - come la definisce Davide Chiaroni, professore al Politecnico di Milano - che può avvalersi di nuovi strumenti come i sensori IoT, in grado di raccogliere grandi volumi di dati (Big Data) su cui condurre analisi con tool di machine learning e analisi predittiva.

Monitoraggio, misura e manutenzione predittiva

La manutenzione predittiva è basata sulla misura – spiega Chiaroni, dal 2013 capo progetto MIP della Schmidt MacArthur Fellowship on Circular EconomyInvece di concentrarsi su una certa ipotesi di funzionamento di un impianto o di un bene, mette in atto una serie di misure concrete e continue di monitoraggio dello stato della risorsa permettendo di intervenire”. In passato era la manutenzione standard, quella effettuata da persone fisiche, la metodologia utilizzata per controllare le condizioni di un determinato macchinario. Un concetto simile alla revisione delle automobili. “La condition-based maintenance e predictive maintenance sono due metodi sostanzialmente recenti che oggi si adottano per fare manutenzione – spiega Emanuele Fabbiani, Chief Data Scientist di xtream - Entrambe si basano sullo stesso concetto di fondo ma nel caso della condition-based maintenance, l’idea è cercare di fare manutenzioni quando i sensori mi dicono che è necessario. Invece la predictive fa un passettino oltre: ho dei modelli che mi dicono quando il macchinario arriverà a guastarsi e così prevedo come si evolverà lo stato del macchinario”.
I
benefici della manutenzione predittiva sono diversi e impattano positivamente soprattutto da un punto di vista economico, riducendo significativamente i costi associati ai guasti e il tempo speso per la manutenzione di un singolo macchinario. Inoltre, grazie al monitoraggio in tempo reale sulla salute dei macchinari la durata del loro ciclo vita può aumentare. Secondo Statista Research Department, si prevede che il mercato globale della manutenzione predittiva raggiungerà circa i 23,5 miliardi di dollari entro il 2024 con un tasso di crescita annuale di quasi il 40% tra il 2018 e il 2024.

L’importanza del Machine Learning che impara dagli errori

La progressiva diffusione dei dispositivi e delle applicazioni IoT (Internet of Things), assieme alla disponibilità di strumenti analitici evoluti e all’emergere delle tecnologie di intelligenza artificiale e machine learning, permettono oggi di integrare nei macchinari industriali sensori di diverso tipo, e di connettere in rete tali attrezzature. L’Internet Of Things permette di connettere qualsiasi tipo di dispositivi connessi alla rete - aggiunge Emanuele Fabbiani - In base ai dati raccolti, il sistema centrale elabora modelli predittivi che consentono di ottimizzare la strategia di manutenzione”.
Nel caso della manutenzione predittiva i sensori IoT aggregano i dati e il machine learning poi, incrociando questi dati, è in grado di farci capire cosa si deve aggiustare. “Ci sono varie modalità di funzionamento – interviene Davide Chiaroni - Non necessariamente serve il machine learning per fare manutenzione, ma certamente se voglio fare una manutenzione auto-adattiva che faccia 
benchmark - che tiene conto che la stessa macchina è installata in posti diversi con caratteristiche diverse d’uso – il machine learning diventa fondamentale”. Ma i modelli matematici e ingegneristici sono ancora molto preziosi: “È ancora tutto in fase di evoluzione – dice Fabbiani a Materia Rinnovabilema la via ibrida che unisce le conoscenze fisiche e ingegneristiche con il modelli machine learning sembra quella più promettente”. La sicurezza informatica è un altro tema: “I costi operativi ci sono, ma se queste pratiche vengono effettuate correttamente e inserite in contesto operativo adeguato, il costo di tutto questo è molto inferiore rispetto ai rischi di fermi macchina o guasti economicamente gravosi”.

I vantaggi nel settore automotive

Attualmente la manutenzione predittiva è una metodologia applicata soprattutto nel mercato B2B (business to business). Considerando il rapporto/costi benefici è raro che questo tipo di manutenzione si applichi per i prodotti di consumo. “Il mercato di massa oggi sconta ancora un po’ di difficoltà – spiega Chiaroni - da un lato farsi pagare il servizio di manutenzione non è facile. Dall’altro dove gli interventi sono più parcellizzati come nel caso di una lavatrice, è economicamente complicato effettuare una manutenzione predittiva”. Il tema della manutenzione sulla componentistica però è molto presente anche nel settore automobilistico, nel quale i componenti del prodotto finale vengono valutati secondo modelli predittivi.
“Oggi si associa la manutenzione predittiva al settore automotive in ottica di economia circolare – spiega Chiaroni. Si fa sui motori per esempio:
la Rolls Royce lo fa applicando un servizio di noleggio di motori addirittura degli arei dove si include la manutenzione giocata in ottica predittiva. Le logiche di riuso, reimpiego e remanufacturing permettono di intervenire in maniera selettiva su una macchina. Riusarla magari dopo un’opportuna configurazione”. Una metodologia che porta con sé indubbi vantaggi, sia dal lato utente, in cui si ha la possibilità di ridurre i fermi macchine e ottenere prestazioni migliori dall’auto, sia dal lato produttore, per il fatto di poter intervenire in maniera predittiva e di monitorare la vita della macchina e dei suoi componenti.

La frontiera della manutenzione per turbine offshore

L’interessante partita della manutenzione predittiva per ora si sta giocando maggiormente sulle grandi infrastrutture, in particolare nel campo energetico. La ricerca scientifica ha puntato gli occhi sul settore degli impianti eolici offshore per risolvere gli ingenti problemi pratici che presentano le turbine eoliche quando si tratta di manutenzione. Lo sa bene Franz Langmayr, Managing Director di UPTIME Engineering, che collabora al consorzio Romeo, progetto sostenuto dall'UE attraverso il suo programma Horizon 2020. Attraverso lo sviluppo di soluzioni tecnologiche avanzate, il team di Romeo lavora per ridurre i costi di funzionamento e manutenzione degli impianti eolici offshore. “Nel settore offshore la manutenzione predittiva è particolarmente importante - spiega Franz Langmayr – perché, diversamente dalle condizioni onshore, non c’è un accesso facile alle turbine. Spesso quando si verifica un guasto nella stagione fredda, le turbine non sono accessibili anche per mesi”. Il fermo delle turbine, spesso causato da malfunzionamenti facilmente risolvibili, provoca ingenti danni economici. “Quando si verifica un guasto si intraprendono viaggi che durano mezza giornata sul mare: un’enorme quantità di energia viene sprecata per risolvere un problema. Serve molta ricerca sul campo perché attualmente la capacità energetica delle turbine offshore è di gran lunga maggiore rispetto a quelle onshore, ma la falla sta nella quantità di energia dispersa”.
L’idea di base del progetto è raccogliere tutti i dati rilevanti sullo stato delle turbine, inviarli ad un ecosistema centrale, e, tramite strumenti di analisi e il machine learning, capire cosa vogliono dire. “La sfida è raccogliere in modo che siano comprensibili per generare risultati - aggiunge Franz Langmayr - fare manutenzione predittiva è diventato essenziale in questo settore. Se per esempio una raffica di vento dovesse improvvisamente deformare una pala eolica, noi potremmo controllare l’energia al fine di non surriscaldare il rapporto di cambio del motore della turbina”. Questo tipo di manutenzione permette di capire anche se alcuni componenti stanno per arrivare a fine vita o se e come potrebbero guastarsi.

Oil & Gas

È da qualche anno che nel settore Oil & Gas si parla di manutenzione predittiva. Secondo una valutazione del Predictive Maintenance in Oil & Gas report pubblicato da GlobalData Thematic Research, la volatilità del prezzo del petrolio sta determinando una maggiore adozione di tecnologie di manutenzione predittiva per aiutare le aziende a ridurre le spese operative ottimizzando la pianificazione della manutenzione e aumentando la produttività.
Solo negli ultimi 4/5 anni si sta iniziando ad applicare il machine learning alla manutenzione predittiva – spiega Massimiliano Conti, Energy Sme senior Digital Advisor - L’industria Oil & Gas è vecchia di 100 anni, quindi ci vorrà un po' di tempo per misurare effettivamente i benefici della manutenzione predittiva”. Le attrezzature e le infrastrutture attualmente in uso per le operazioni di petrolio e gas sono state costruite diversi decenni fa. Si basano su design, materiali e tecnologie disponibili in quel particolare momento. Tali apparecchiature obsolete sono destinate a guastarsi e pertanto richiedono ispezione e monitoraggio costanti. “Da un punto di vista tecnico – continua Massimiliano Conti - la manutenzione riguarda le macchine rotative (compressori, pompe), che servono al processo di estrazioni del greggio, al trasporto e alla raffinazione. Quando si spostano fluidi, le macchine sono soggette a guasti che portano a rallentamenti o addirittura fermi. Ovviamente questi hanno impatti economici e ambientali. Lo stop di un processo chimico che non si ferma secondo un protocollo stabilito può causare emissioni in atmosfera di CO2 fuori controllo”. Un approccio proattivo come quello della manutenzione predittiva, anche in un’industria destinata in futuro ad essere probabilmente sostituita dalle rinnovabili, rappresenta una via più affidabile e sicura nella gestione dei grandi impianti.

Nell'immagine: turbine eoliche offshore (ph Nicholas Doherty, Unsplash)