Introduzione
Oggi la gestione delle strutture sanitarie e degli edifici complessi (aeroporti, metropolitane, porti), spinge sempre più l’asset management verso la configurazione di modelli di manutenzione predittiva (manutenzione secondo condizione), abbandonando la logica della manutenzione a soglia. Scopo dell’articolo è delineare le leve (strategie e modelli) che nel FM spostino la manutenzione da “reattiva e soglia” a “secondo condizione”, permettendo ai professionisti, con più o meno gradi di maturazione, l’attivazione di politiche predittive nella gestione degli impianti di edifici complessi.
Ciò è possibile, soprattutto, grazie ai prodotti cui è giunta l’industria, con la manutenzione prognostica - anticipazioni guasti e definizione vita utile (RUL) - conseguibili tramite l’ausilio di modelli (BS ISO 13381:2015 physics-based, data-driven, statistical, heuristic e hybrid models), e delle tecnologie abilitanti descritte nel Piano Nazionale Industria 4.0, proposto dal MISE. Tra queste IoT, big data e machine learning sono le più promettenti in ambito facility management (FM).
In particolare, l’adozione di tecnologie abilitanti nel settore del FM permette di sfruttare il dato e la conoscenza informale (manutentori ed esperti) per la costruzione di modelli data-driven, utili al monitoraggio degli asset delle infrastrutture sensibili, come quelle ospedaliere.
La manutenzione predittiva è la strategia ottimale per edifici complessi e un’occasione di innovazione nell’area del FM, grazie al controllo dei rischi delle attività di manutenzione in ambito economico, ambientale e sociale (settori a loro volta connessi alla sostenibilità dei processi). Inoltre, al generale concetto di rischio mitigato dalla manutenzione predittiva, è connesso il concetto di serviceability, inteso come la “capacità dell’edificio a funzionare per come è stato progettato”. Un aspetto direttamente in fluenzato dalle proprietà di reliability, availability, maintainability, safety, diagnosability e prognosticability, che possono essere quantificati da strategie di manutenzione predittiva attivate con modelli data-driven. In particolare, i due innovativi concetti di diagnosability e prognosticability, sempre più strategici nella manutenzione predittiva, possono essere descritti rispettivamente come: l’attitudine di un item ad essere indagato nelle sue cause di guasto passate, e l’attitudine di un item ad essere, in maniera probabilistica, conosciuto nelle sue future cause di guasto.
Grazie alla conoscenza predittiva dell’affidabilità degli asset (per future sostituzioni che richiedono pianificazione di budget) è possibile innovare i tradizionali processi di manutenzione a soglia e indirizzarli verso la sostenibilità, se si passa a strategie di manutenzione secondo condizione.
Industria 4.0, Machine Learning e Manutenzione Predittiva
Gli strumenti che abilitano i modelli di manutenzione predittiva sono i prodotti dell’industria 4.0. Se considerati in un’architettura IoT, le tecnologie abilitanti possono essere così rappresentate: “sensori e attuatori”, nel sensing layer, deputati all’acquisizione dei segnali, cioè raw data (dati grezzi) da registrare per il monitoraggio, “gateway”, nel communication layer, per la conversione dei segnali al livello successivo, “ML” e “piattaforma”, nel service layer, per l’elaborazione dei segnali raccolti dai big data e per la facile visualizzazione dei risultati (individuazione guasti e RUL). Questi ultimi due livelli possono essere nel Cloud, in un Fog, in un Edge, in un Dew system, o all’interno del sistema di monitoraggio, BMS, a seconda del grado di computazione esternalizzata delle informazioni. La configurazione di un “database”, relazionale o non relazionale, crea uno storage layer, per la conservazione delle informazioni sui processi (alla base di diagnosability e prognosticability) (fig.1).
ANN, RNN, DL, SVM, HMM, HSMM, AAKR e RF sono tra i ML più utilizzati in ambito di manutenzione prognostica. Il loro discriminante consiste nella descrizione del problema, a seconda della conoscenza acquisita. Questi ML, che hanno l’obiettivo di determinare guasti e la vita utile degli asset, abilitano la manutenzione predittiva nel FM, se integrati in un’architettura IoT che porti il dato dal bottom layer - sensori -, al top layer - SI, che può essere integrato con una piattaforma. Il SI, infatti, se visto come sede dell’espressione informatizzata di un contratto di FM, può essere integrato con il ML abilitante e il BMS, evidenziando come SLA e KPI contrattuali siano direttamente connessi con la performance effettiva degli asset.
Nel caso in cui un service provider usi un modello e una strategia predittiva per una commessa del servizio di manutenzione di un patrimonio immobiliare di stessa tipologia funzionale (es. più ospedali), l’ausilio di una piattaforma condivisa da questi edifici complessi può essere strategica per:
- condividere informazioni per stesse tipologie impiantistiche;
- creare un database unico per la costruzione di nuovi modelli diagnostici, da conoscenza formale (sensori sugli asset);
- avvicinarsi a futuri scenari di mercati globali che sfruttano lo scambio di big data;
La manutenzione predittiva, poi, dipende dal grado di maturazione del service provider - e del client che può ereditare la gestione in-house del servizio.
Tuttavia, per i service providers che muovono i primi passi verso la digitalizzazione dei processi i dati energetici raccolti dai propri impianti possono essere utili per intuire la strategia di manutenzione predittiva più adatta per la conoscenza dei sistemi labili (con alti numeri di down), più soggetti a interventi correttivi. (es. la potenza attiva di un cogeneratore può rappresentare un segnale indiretto di performance – Stati 1,2,3 (Condizione normale) e Stati 4,5,6,7,8 (Performance legata ad interventi correttivi)-, se studiata secondo le sue distribuzioni rispetto agli eventi di fuoriservizio (fig.2).
I modelli di manutenzione predittiva, tuttavia, possono non essere efficienti nel raggiungere i risultati attesi (reliability, riduzione dei costi operativi) se non sono supportati da una strategia di manutenzione predittiva, che consideri:
- le criticità degli asset tramite approcci sistemici per i processi degradanti (FTA, ETA, HAZOP, FMECA, Modelli markoviani, Simulazioni Montecarlo);
- la gestione della graduale acquisizione/aggiornamento di informazioni critiche per ridurre l’incertezza nella conoscenza “a priori” e “a posteriori”: a) sui processi degradanti (tassi di guasto e distribuzione della probabilità di guasto, dati dall’osservazione ad personam e ad machinam) (Bayesian network); b) sull’allocazione delle risorse economiche da attribuire a diversi set di strategie manutentive (Bayesian Network).
La strategia di manutenzione predittiva rappresenta la base di partenza per la selezione di un modello di manutenzione predittiva customizzato.
I benefici che si possono raggiungere con la manutenzione predittiva nel FM - e che spingono il processo verso forme più sostenibili - consistono nella mitigazione della severità e della probabilità dei rischi in ambito economico, ambientale e sociale - sia lato service provider che lato client, come illustrato in (fig.3).
In particolare, i benefici economici per il service provider consistono nella puntuale definizione degli Opex, che continueranno in maniera controllata, e dei Capex, che diminuiranno con relativo ammortamento, dei propri asset; mentre i benefici economici per il client, nel caso di un’infrastruttura complessa, consistono nella riduzione delle voci di manutenzioni del conto economico e nella migliore gestione dello stato patrimoniale dei propri cespiti.
I benefici economici in ambito industriale sono stati dimostrati da alcuni studiosi come He et al., (2018) adottando la manutenzione predittiva, rispetto quella a soglia, tramite il monitoraggio del degrado. La variazione delle voci di costo è modellata considerando cinque costi operativi riferiti a predeterminate soglie di affidabilità che si desiderano raggiungere. In ambito aerospaziale i benefici economici della manutenzione predittiva rispetto quello a soglia sono dimostrati da Yiwei et al., (2017), che evidenziano costi più controllati e un servizio più continuo e pianificato.
I benefici ambientali per il service provider sono rappresentati da una significativa riduzione del carburante per gli impianti a motore e dalla riduzione dei fermi macchina con relativi picchi energetici per spegnimento/riaccensione impianti.
Tutto ciò rende la struttura aziendale del service provider più sostenibile, anche tramite forme di LCA e LEED. Lato client, i benefici ambientali si misurano in premi per la riduzione degli sprechi energetici, meno produzione di rifiuti normali e speciali, e nella continua disponibilità del servizio core.
Da un punto di vista finanziario, i potenziali risparmi energetici possono essere reimpiegati nelle attività assistenziali con il vantaggio di evitare una spesa e di incrementare il servizio. I benefici sociali dal lato del service provider vengono rappresentati dalla definizione di nuovi attori e stakeholders coinvolti nel processo della FM 4.0; mentre dal lato del client vengono misurati da servizi sanitari più performanti, infrastrutture meno soggette alla vetustà, ambienti più sicuri per personale medico e soggetti vulnerabili.
Comunque, i potenziali benefici raggiungibili dalla manutenzione predittiva dipendono fortemente dal contratto di FM tra service provider e client, e dal conseguente modello di CC che viene pattuito tra questi. In più, nel caso la gestione dei servizi rientrasse nel PF, il service provider gestisce, in molti casi, con uno schema di global service il servizio di manutenzione, che può essere ottimizzato con manutenzione predittiva; mentre il client che paga un canone di concessione può vederlo alleggerito, se i risultati del servizio sono monitorati in manutenzione predittiva e se gli asset posseggono RULs più longevi.
Nel caso il servizio manutentivo riguardi periodi temporali più ristretti rispetto all’arco della concessione del PF, i suoi benefici, tramite la manutenzione predittiva, sono direttamente connessi ai SLA e ai KPI.
Infatti, il service provider sarà maggiormente interessato nell’attuare un modello di manutenzione predittiva con relativo ML - per previsione dei fuori servizi, anticipazione guasti e sostituzioni – per ottenere il rispetto degli SLA e KPI, alla base della sua remunerazione, delle penali e dei premi. In questo contesto, l’algoritmo predittivo comunica direttamente con il BMS che integrerà le informazioni con il SI. Il client, inoltre, sarà interessato nel soddisfacimento degli user dell’edificio, che sarà così più prestazionale, e nell’avere asset con cicli di vita più longevi.
Il modello di CC che più si abbina alle strategie di manutenzione predittiva, data l’alta specializzazione delle figure connesse a questo ambito, è quello che vede la pianificazione degli interventi in capo al service provider, mentre le attività di controllo sui risultati a carico del client.
In questo modello, il service provider, che gestisce la rete di SI, BMS e ML, è incaricato a collezionare le informazioni di ritorno, l’elaborazione degli indicatori e l’attività di reporting, mentre il client, che supervisiona il SI, riveste attività di supervisione nell’analisi di report. Inoltre, questo modello ben si inserisce in un processo di maturazione del client verso strategie predittive, nel caso volesse portare il servizio di manutenzione da outsourced a in-house. In più, l’adozione di modelli e strategie di manutenzione predittiva permette l’attivazione di contratti di OFM, se un modello data-driven viene implementato (fig.4).
Conclusioni
In conclusione, tra gli esiti futuri che investono la manutenzione predittiva, nel campo del FM, figurano: l’adozione dei contratti di OFM, le metriche di LCA e Green Procurement per incentivare la sostenibilità aziendale, il passaggio di testimone dalla figura tradizionale di asset manager a prognostic health asset manager e le tematiche di digital transformation & change management che investe le organizzazioni promotrici della manutenzione predittiva.
Francesco Rota,
Dottorando di ricerca presso Dipartimento ABC, Politecnico di Milano
