Manutenzione predittiva e preventiva: cosa è meglio?

Nel caso dei macchinari industriali, le riparazioni di emergenza sono note per prolungare i periodi di fermo macchina non necessari. Sia la manutenzione predittiva che la manutenzione preventiva sono utili per mantenere le apparecchiature industriali in buone condizioni e per affrontare i problemi prima che si verifichino. Tuttavia, c'è una grande differenza tra le due.

I produttori si adeguano costantemente per far fronte alla crescente concorrenza. Le tendenze cambiano di continuo e i consumatori premono sui produttori perché forniscano rapidamente prodotti di alta qualità. I tempi di fermo delle apparecchiature possono compromettere seriamente i profitti dell'azienda.

Secondo lo specialista di manutenzione Senseye, i produttori registrano in media 27 ore di fermo macchina al mese a causa di guasti alle apparecchiature. Questo si traduce in una perdita di fatturato annuale di svariati milioni.

Passato o presente?

I termini manutenzione preventiva e predittiva sono spesso usati in modo intercambiabile. Di solito, con riferimento alle strategie di manutenzione che consentono ai produttori di agire prima che le apparecchiature si guastino. Entrambi i metodi sono nettamente superiori alla manutenzione reattiva.

Manutenzione reattiva

Con questo tipo di manutenzione, le apparecchiature funzionano fino a quando non sono necessarie riparazioni di emergenza. Pertanto, i costi per le aziende sono spesso da quattro a cinque volte superiori rispetto alle opzioni di manutenzione proattiva. La Guida alle pratiche operative e di manutenzione, versione 3.0, lo conferma.

Tuttavia, preventivo e predittivo non sono la stessa cosa.

Qual è la differenza tra manutenzione preventiva e manutenzione predittiva?

Che cos'è la manutenzione preventiva?

La manutenzione preventiva comporta controlli a intervalli regolari, indipendentemente dalle condizioni dell'attrezzatura. Si basa su linee guida di best practice e su dati storici. Pertanto, i responsabili dell'impianto hanno le migliori possibilità di mantenere le macchine in buone condizioni. Tuttavia, richiede tempi di inattività programmati ciclicamente.

Si stima che la manutenzione preventiva faccia risparmiare alle aziende circa il 12–18% sui costi rispetto alla manutenzione reattiva.

Che cos'è la manutenzione predittiva?

La manutenzione predittiva, invece, avviene solo quando necessario. Si basa sui dati in tempo reale delle apparecchiature IIoT-connected per identificare le potenziali minacce prima che si verifichi un problema. In questo modo, le riparazioni riguardano un problema effettivo e sono più mirate. Ciò significa che i tempi di inattività, se necessari, si riducono del 25-30% rispetto ad altri metodi di manutenzione.

Memorizzazione di big data

Per essere efficace, la manutenzione predittiva si affida ai dati inviati dai sensori, che comunicano lo stato di salute delle apparecchiature. Tuttavia, IBM stima che circa il 90% di tutti i dati generati dai sensori restano inutilizzati. Ciò significa che i produttori perdono l'opportunità di prendere decisioni informate sulle loro apparecchiature, pur continuando a sostenere i costi di raccolta e archiviazione dei dati.

I dati raccolti ma non elaborati o utilizzati in alcun modo sono detti "dark data". Rappresentano una vera sfida per il settore.

I sensori per la raccolta dei dati possono essere relativamente economici e facili da installare. Tuttavia, la parte più difficile è l'elaborazione dei dati per trarre conclusioni sullo stato di salute della macchina.

L'elaborazione può essere complicata per vari motivi, che vanno dall'interpretazione dei dati alla loro collocazione presso il reparto competente. Per esempio, i silos di dati si verificano quando l'elaborazione dei dati porta alla scoperta di modelli rilevanti. Tuttavia, i diversi reparti di un'organizzazione non condividono questi modelli.

Ciò può accadere se l'azienda non dispone della tecnologia necessaria per rendere visibili i dati. Ad esempio, potrebbe mancare uno strumento unificato di gestione integrata dei dati (IDM) oppure un sistema computerizzato di gestione della manutenzione (CMMS). Di conseguenza, ogni squadra deve affidarsi a piattaforme diverse.

I trasformatori di corrente possono raccogliere dati grezzi sui dischi eccentrici di un motore elettrico, sui problemi degli avvolgimenti e sulla barra del disco. Tuttavia, senza il software CMMS, i dati potrebbero non essere condivisi col team di manutenzione nell'impianto di produzione. Ciò potrebbe comportare tempi di inattività imprevisti nonostante l'uso dei sensori.

Un aiuto prezioso

Disporre di sensori per raccogliere informazioni sulle apparecchiature è il primo passo per integrare la tecnica predittiva nella strategia di manutenzione. Le macchine più recenti sono solitamente dotate di diverse opzioni per l'acquisizione dei dati in tempo reale.

Tuttavia, anche le apparecchiature tradizionali possono essere adattate con sensori aggiuntivi poco costosi. La manutenzione predittiva può rivelarsi una risorsa fondamentale. È particolarmente utile quando si ha a che fare con apparecchiature che invecchiano. Infatti, quando le apparecchiature invecchiano è necessario pianificare con attenzione l'approvvigionamento dei pezzi di ricambio, spesso obsoleti.

Tuttavia, la quantità di dark data presenti nel settore è impressionante. Insieme al problema dei silos di dati, ciò dimostra che raccogliere dati non è sufficiente. Per prevedere efficacemente i guasti delle apparecchiature, i produttori devono anche adottare tecnologie che facilitino l'elaborazione dei dati in tempo reale. Inoltre, devono mettere tutto il personale interessato nelle condizioni di poter accedere alle informazioni risultanti.

Per risolvere questi problemi tra i diversi reparti, è necessario dare la priorità all' integrazione tra tecnologia informatica (IT) e tecnologia operativa (OT). Un tempo, la gestione separata di questi team con competenze diverse era del tutto logica. Oggi, tuttavia, la crescente digitalizzazione dei processi produttivi, compresa la manutenzione, rende indispensabile unire queste aree.

La OT raccoglie i dati grezzi da PLC, sensori e altre apparecchiature chiave, mentre l'IT dà un significato ai dati scoprendo i modelli rilevanti. Tuttavia, sia le apparecchiature che i team devono comunicare e collaborare in modo proattivo.

Uno dei problemi dei dati raccolti dalle apparecchiature industriali è che, invecchiando, la loro rilevanza e accuratezza diminuiscono. In questo senso, l'edge computing può essere una soluzione preziosa. L'edge computing riduce al minimo la latenza e supporta il processo decisionale in tempo reale, analizzando i dati il più vicino possibile alla fonte, anziché inviare tutto nel cloud.

L'edge computing può anche aiutare a collegare più apparecchiature al sito IIoT in modo sicuro. Quando i dati viaggiano avanti e indietro dal cloud, aumenta il rischio che vengano compromessi. L'elaborazione dei dati più vicina alla fonte riduce questo rischio.

Offre i vantaggi di una maggiore digitalizzazione senza aprire altre potenziali superfici di attacco. Questo non significa che si debba evitare a tutti i costi di elaborare o archiviare i dati nel cloud. Significa semplicemente che le due opzioni possono andare di pari passo per ottimizzare i risultati.

La manutenzione predittiva e preventiva avrà sempre più successo della manutenzione reattiva, nonostante i problemi coi dark data e la necessità di una trasformazione culturale nelle attività di produzione. La riduzione dei tempi di inattività e dei costi e l'aumento dell'efficienza sono ciò di cui i produttori hanno bisogno per avere successo in un mondo sempre più digitale.