La manutenzione predittiva nell'industria 4.0

Per l'industria 4.0 non esiste ancora una definizione esauriente, ma alcuni analisti tendono a descriverla come un processo che porterà alla produzione industriale del tutto automatizzata e interconnessa. Secondo un recente rapporto McKinsey le nuove tecnologie digitali avranno un impatto profondo nell'ambito di quattro direttrici: la prima riguarda l'utilizzo dei dati, la potenza di calcolo e la connettività, e si declina in big data, open data, Internet of Things(IOT), machine-to-machine e cloud computing per la centralizzazione delle informazioni e la loro conservazione.

La seconda è quella degli analytics: una volta raccolti i dati, bisogna ricavarne valore. Oggi solo l'1% dei dati raccolti viene utilizzato dalle imprese. La terza direttrice è l'interazione tra uomo e macchina, che coinvolge le interfacce "touch", sempre più diffuse, e la realtà aumentata. Infine c'è tutto il settore che si occupa del passaggio dal digitale al "reale".

Questo trend non è semplicemente un aumento del livello di automazione industriale, ma soprattutto l'affermarsi di approcci radicalmente nuovi nello sviluppo, realizzazione e gestione dello stabilimento. A ciò si aggiunge la sempre crescente complessità di prodotto, esprimibile in molte dimensioni quali ad esempio il numero di funzionalità, di sottocomponenti, di fasi di lavorazione, di materiali differenti, di variabilità di mercato e utilizzo etc., che crea nuove sfide tecnologiche e organizzative ai metodi tradizionali di produzione.

L'asset management è un elemento chiave dell'Industria 4.0. Una volta limitato alla gestione della manutenzione e la riparazione di apparecchiature difettose, è ora proattivo e orientato al conseguimento di risparmi sui costi, miglioramento della redditività, migliori livelli di servizio per la soddisfazione del cliente, il miglioramento della salute, la sicurezza e le prestazioni ambientali; e l'aderenza alla responsabilità sociale dell'azienda.

Focus speciale sulla manutenzione predittiva che, facilitata dall'integrazione con gli IOT di cui deve dotarsi una fabbrica intelligente, assume un maggior peso da canalizzare in un CMMS intelligente. Ci sono stati finora alcuni fattori limitanti:

• tempi, metodi e costi: la definizione del processo da monitorare prevede una fase di analisi e sviluppo, come nel caso di un nuovo sistema di monitoraggio;
• ridondanza e invasività: i progetti-prodotti di analisi propongono sensoristica ad hoc, e non sono facilmente integrabili con la sensoristica esistente e con la connettività di campo;
• limite del solo monitoraggio: raccogliere i dati con frequenza fissa, limita di fatto la possibilità di capire i fenomeni fisici di interesse;
• generazione di big data nel caso di raccolta dati in continuum: trasmettere e ricevere tutti i dati senza inserire regole e filtri a monte porta a dover gestire grandi moli di dati con un overhead di storage e di calcolo;
• difficoltà a individuare fenomeni non noti a priori in quanto prima occorre sviluppare una ricerca del segnale opportuno con diverse tipologie di sensori poi utilizzare i risultati con cui costruire l'algoritmo predittivo opportuno
• difficoltà, per le aziende, ad adottare il "continuous improvement": quantunque sia disponibile una vasta letteratura che indichi come un CMMS che implementi una manutenzione predittiva faccia lavorare meglio e risparmiare;

• scelta del fenomeno obbligata: gli algoritmi, che rilevano tramite i dati dei sensori il fenomeno da studiare, devono essere scelti a priori, progetto per progetto;

• difficoltà a definire una proposta di manutenzione predittiva generalizzata: è difficile individuare una soluzione di manutenzione che possa essere applicabile a più realtà in quanto l'utilizzo delle stesse macchine varia in termini di cicli e carichi di lavoro da una linea all'altra;

• revisione continua degli studi: la definizione delle attività da fare prima che accada un problema bloccante, basandosi su variabili da monitorare, algoritmi e correlazione dati, richiede una continua revisione degli studi, degli impianti di monitoraggio e della raccolta/analisi dati.

L'attività di rilevazione, spesso manuale, deve essere definita per tutte le variabili di interesse, viene ripetuta seguendo piani di ispezione e le analisi dei trend sono disponibili solo successivamente.

Eppure la manutenzione predittiva, con gli opportuni supporti informatici, consente di accedere ad informazioni utili per il business dell'azienda e di fare scelte strategiche in termini di scelta di ricambi, di tecnologie più appropriate, di piani di produzione più convenienti, etc.

Cosa chiede il mercato e «dove sta il valore»

• controllo / riduzione dei costi & controllo qualità erogata;
• integrazione dei fornitori e in generale di tutti gli attori per arrivare alla gestione dei processi senza carta;
• gestione del ciclo di vita dei beni (Asset Lifecycle Management) e gli aspetti di «collaboratività» tra le persone;
• misura delle performances (KPIs) [interne & esterne / dei fornitori];
• estensione della vita dei beni e degli impianti;
• integrazione degli aspetti di gestione documentale;
• tracciatura delle attività in ottica di sicurezza;
• fare attività (manutentive) solo quando serve veramente;
• raccogliere dati sull'effettivo funzionamento;
• avere una mappatura dei rischi.

I CMMS per il nuovo paradigma

Il nuovo approccio basato sull'Internet-of-Things sta rivoluzionando molti settori, grazie alla disponibilità di acquisire, tramite sensori a basso costo connessi wireless, una quantità di dati in tempo reale da sistemi di produzione, materie prime, semilavorati e personale e di analizzarli per fornire sistemi di controllo reattivi e proattivi integrati.

I CMMS adeguati al paradigma Industria 4.0 devono offrire:

• Gestione del processo logico. Ovvero dare visibilità non solo alla singola macchina ma soprattutto all'insieme dei processi e macchine anche non fisicamente contigue che concorrono a realizzare una fase di produzione, come il prodotto finale o un semilavorato, lavorazioni del processo di produzione, un'intera linea automatizzata.
• Valutazione degli impatti della minor efficienza. Ad esempio, la valutazione tra l'inizio della deriva dell'efficienza nel funzionamento della singola macchina e i ritardi indotti nel processo logico complessivo individuando il tempo in cui ci sarebbe un impatto sul sistema di MRP.
• Gestione, da remoto, di ogni tipologia di attività del servizio di manutenzione predittiva. Si intende, ad esempio, poter da remoto:
  • interagire con persone, macchine e sensori ( anche con l'utilizzo di software embedded da portare sull'elettronica di campo);
  • attivare e modificare i parametri di misura (frequenza, soglie, etc) sui sensori per analisi specifiche;
  • gestire ogni attività dalla fase prototipale a quella in effettivo su macchine e sensori;
  • disporre dei risultati delle diverse analisi con grafici delle diverse variabili, nonché le statistiche opportune;
  • offrire supporto per valutare gli scostamenti rispetto ai valori di riferimento tra scenari diversi quali prototipo, test, produzione;
  • operare in cloud e ottenere i risultati delle analisi come servizio Saas;
  • acquisire i dati raccolti secondo opportuni algoritmi facilmente integrabili.

• Trasparenza rispetto all'origine dei dati visualizzati-gestiti con la possibilità di importare i dati raccolti dal campo direttamente nel CMMS, usandoli come trigger in modo da generare aggiornamenti ai piani di manutenzione o alle ispezioni.
• Cruscotto e variabili che consentano di analizzare i costi benefici della ri-pianificazione della manutenzione programmata e di altre scelte.
• Active Gantt:  uno strumento che consenta, una volta acquisiti i valori delle variabili, di eseguire in modo semplice, visuale il planning e lo scheduling degli Ordini di Lavoro rispettivamente di manutenzione preventiva, migliorativa e predittiva, classificandoli con questa terminologia in modo che sia possibile disegnare report di attività/costi congruenti.

Manutenzione predittiva e ottimizzazione delle performance

Di seguito citiamo una testimonianza sull'impatto della rivoluzione dell'industria 4.0 nella filiera dell'automotive.

Per un'impresa meccanica è importante gestire la manutenzione degli impianti e tenere sotto controllo i consumi energetici e possibilmente ridurli. Per la realizzazione di tutto ciò serve la definizione di una programmazione pluriennale.

E' ciò che ha fatto Tekfor realizzando in pochi anni una rivoluzione interna. La società negli anni Ottanta era la Divisione Acciai di Fiat. Poi fu ceduta nel 1999 alla tedesca Neumayer e infine alla società indiana Amtek che ha accresciuto il numero di siti produttivi nel mondo.

La sede torinese è specializzata nelle produzioni a caldo, semi caldo e a freddo per la produzione di componentistica in acciaio per motori di automobili come alberi a gomito, pistoni e altre tipologie di parti.

L'esigenza di ottimizzare la produzione ha impattato in buona parte sul reparto che si occupa della manutenzione degli impianti e che occupa decine di persone specializzate, oltre che a coordinare l'intervento dei fornitori delle macchine per la produzione, ad esempio presse, forni e macchine a controllo numerico. Dal 2009 l' azienda utilizza un CMMS avanzato e ora con l'integrazione di sensori sia per il controllo dei consumi che per l'acquisizioni di variabili (tag) utili per una diagnostica accurata ha abbattuto i costi.

Davide Gagnor ( Amtek Tekfor):  "Da un investimento di poche decine di migliaia di euro abbiamo ottenuto un miglioramento delle performance del 4-5%"

Il progetto ha migliorato la gestione aziendale integrando, coordinando meglio i reparti di Manutenzione, Sicurezza, Qualità, Produzione.

L'asset management risulta essere una strategia win-win. Quindi perché non tutti ci investono?

Luisa Spairani, CEO, Net Surfing Srl