Come costruire da zero un programma di manutenzione predittiva
La manutenzione eseguita secondo un calendario fisso è un modo inefficiente per garantire il corretto funzionamento delle apparecchiature. L’usura dei macchinari non segue un calendario. I tecnici possono perdere tempo effettuando interventi di manutenzione su apparecchiature che non ne hanno bisogno e non rilevare guasti su componenti che si usurano prima della data di manutenzione programmata nel calendario. Il risultato è un aumento dei tempi di fermo non pianificati e uno spreco di risorse.
Una ricerca di McKinsey mostra che un programma di manutenzione predittiva riduce i tempi di fermo non pianificati dal 30% al 50% [1]. Un’analisi di Deloitte rileva inoltre che questa strategia riduce la spesa totale per la manutenzione dal 18% al 25% [2].
I responsabili degli impianti devono rivedere il modo in cui le loro strutture monitorano le condizioni dei macchinari per ridurre questi costi e operare in modo più efficiente. Per un confronto completo delle strategie operative, consulta La guida completa alle strategie di manutenzione nell’automazione industriale.
Che cos'è la manutenzione predittiva?
La manutenzione predittiva consiste nel monitoraggio, da parte dei tecnici, delle condizioni delle apparecchiature in tempo reale per determinare esattamente quando è necessaria la manutenzione. La strategia pianifica le riparazioni prima che i componenti si guastino, evitando così ritardi imprevisti nella produzione.
La manutenzione predittiva funziona al meglio quando viene raccolta una quantità sufficiente di dati continui. Secondo il Dipartimento dell'Energia degli Stati Uniti, un programma di manutenzione predittiva ben implementato può generare risparmi dall'8% al 12% rispetto a un programma standard di manutenzione preventiva [3].
Prerequisiti prima di avviare un programma di manutenzione predittiva
I tre prerequisiti che devono essere soddisfatti prima di avviare un programma di manutenzione predittiva includono quanto segue:
- Il team di ingegneria necessita di un registro completo delle apparecchiature. Ogni apparecchiatura industriale deve avere un identificativo univoco e un codice di ubicazione all'interno di un database centrale.
- I dati storici sui guasti devono essere facilmente accessibili, in modo che i team sappiano quali componenti si guastano più frequentemente.
- L'alfabetizzazione digitale di base è fondamentale, poiché i tecnici devono essere in grado di rispondere agli avvisi automatici del software.
Fase 1: Analisi della criticità degli asset
Gli impianti dovrebbero condurre un’analisi della criticità degli asset per comprendere come impiegare al meglio le risorse. Questo processo registra l’impatto dei macchinari sulla produzione, i rischi per la sicurezza e i costi di sostituzione.
Se il guasto di un motore specifico arresta l’intera linea di produzione, quella macchina richiede manutenzione. La norma ISO 17359 definisce criteri standard per la valutazione dei profili di rischio delle macchine [4]. Gli asset con punteggi bassi dovrebbero rimanere soggetti a programmi di manutenzione più semplici per contenere i costi.
Fase 2: Analisi delle modalità di guasto
L’analisi delle modalità e degli effetti di guasto (FMEA) aiuta i team a isolare specifici rischi meccanici. Ciò rivela le modalità di degrado di un componente e gli indicatori che mostrano che le parti sono suscettibili di rompersi.
L’analisi delle modalità di guasto dovrebbe essere eseguita prima che gli ingegneri acquistino qualsiasi componente hardware per asset critici. In questo modo, sanno esattamente quali parti devono essere ordinate e in quale quantità.
Un intervallo P-F è molto importante in questa fase. È il periodo tra il guasto iniziale rilevabile (P) e il guasto funzionale (F) [3]. I sensori devono acquisire i dati nelle prime fasi di questo intervallo. Non ci sarebbe tempo per riparare proattivamente l’asset se il periodo fosse troppo breve.
Fase 3: Selezione della tecnologia
La selezione dell'hardware dipende dalle modalità di guasto identificate. La manutenzione 4.0 moderna si basa su specifici sensori per il monitoraggio delle condizioni, al fine di rilevare i segnali di degrado. Ad esempio, i macchinari rotanti richiedono solitamente strumenti di analisi delle vibrazioni per individuare precocemente l'usura dei cuscinetti.
L'infrastruttura dati deve supportare questa rete di manutenzione IIoT. I gateway wireless locali raccolgono i dati dei sensori e li trasmettono ai server cloud o alle reti locali.
Fase 4: Implementazione pilota
Prima che venga implementato l’intero programma di manutenzione predittiva, i responsabili dello stabilimento dovrebbero selezionare uno o due asset critici per un’implementazione pilota mirata. I progetti pilota localizzati aiutano a perfezionare i metodi di raccolta dei dati prima dell’estensione a tutto lo stabilimento [5].
Questa sperimentazione limita inoltre il rischio finanziario iniziale, dimostrando al contempo la validità operativa del concetto agli stakeholder aziendali. La fase di sperimentazione dovrebbe durare da 3 a 6 mesi. Durante questo periodo, i team devono monitorare metriche di riferimento chiare, tra cui il tempo medio di riparazione (MTTR) e il numero di guasti evitati.
Fase 5: Governance e integrazione dei dati
I dati grezzi dei sensori non forniscono molto valore senza un'elaborazione adeguata. Le strutture devono collegare le piattaforme predittive al CMMS principale. Questo collegamento automatizza gli ordini di lavoro quando i sensori rilevano tendenze anomale.
La governance dei dati con regole rigorose mantiene i dati del sistema chiari e utili. Gli ingegneri dell'affidabilità dovrebbero impostare soglie di allerta precise sulla base di uno storico di riferimento o di uno standard ISO. Se un parametro supera una soglia, il sistema emette un avviso. Ciò consente ai tecnici di prepararsi a intervenire prima che si verifichi un guasto funzionale.
Fase 6: Scalare e iterare
Una volta che il progetto pilota si è dimostrato efficace, la direzione può estendere la strategia PdM ad altre linee critiche dell'impianto. La scalabilità richiede l'aggiornamento delle procedure operative standard per riflettere i flussi di lavoro basati sui dati. Le lezioni apprese durante le fasi iniziali aiutano gli ingegneri a perfezionare il posizionamento dei sensori sugli asset secondari.
Questa espansione operativa può influire sulle esigenze di approvvigionamento dell'impianto. Poiché i guasti vengono previsti con settimane di anticipo, gli stabilimenti possono adeguare le proprie strategie di gestione delle scorte. L'approvvigionamento di componenti da EU Automation consente agli impianti di ordinare i ricambi esattamente quando necessario.
Errori comuni di implementazione
Ecco gli errori comuni di implementazione che i team degli impianti possono evitare:
- Monitorare troppi asset contemporaneamente, sovraccaricando i sistemi di archiviazione dei dati
- Ignorare la formazione dei tecnici, lasciando il personale incapace di rispondere agli avvisi dei sistemi automatizzati
- Impostare soglie di allerta troppo basse causa un eccesso di falsi allarmi durante i turni del personale tecnico
- Trascurare la sostituzione delle batterie dei sensori e la manutenzione dell'hardware di rete
- Non aggiornare l'inventario dei pezzi di ricambio in base alle esigenze previste dei componenti
KPI per misurare il successo del programma di manutenzione predittiva
Le strutture dovrebbero monitorare queste metriche fondamentali per misurare con precisione il successo di un programma di manutenzione predittiva:
- Ore di fermo non pianificato - Il tempo totale di produzione perso a causa di arresti imprevisti degli asset
- Tempo medio di riparazione (MTTR) - La durata media necessaria per individuare e risolvere un guasto
- Tasso di accuratezza degli allarmi - La percentuale di allarmi del sistema che rivelano guasti meccanici reali
- Costo di manutenzione per asset - La spesa totale per ricambi e manodopera relativa ai macchinari monitorati
Quando la manutenzione predittiva non è giustificata
Se il costo dell'hardware dei sensori e degli abbonamenti software supera il valore delle perdite di produzione, la manutenzione predittiva non è giustificata. Ad esempio, elementi semplici e non critici come le ventole di estrazione degli uffici o le pompe secondarie di riserva non giustificano costi elevati per i sensori. Lasciare funzionare questi elementi fino al guasto è una decisione economicamente razionale.
Conclusione
Costruire da zero un sistema predittivo evita guasti imprevisti in produzione che arrestano le linee produttive. Verificare prima la criticità dei macchinari, anziché monitorare tutto contemporaneamente, evita spese inutili.
Iniziare con un piccolo progetto pilota e verificare il sistema prima dell'implementazione completa è essenziale. Questo test consente ai team di impostare correttamente gli avvisi e definire flussi di lavoro chiari senza sovraccaricare i tecnici.
Individuare tempestivamente i guasti dei macchinari riduce lo stress e i tempi di fermo causati dagli interventi di emergenza. Conoscere in anticipo i possibili guasti aiuta inoltre gli stabilimenti a gestire le scorte di ricambi in modo più efficiente. Ciò riduce i costi di magazzino senza rischiare ulteriori tempi di fermo. Seguire queste fasi ben definite protegge la produttività dello stabilimento e mantiene i costi sotto controllo.
I responsabili di stabilimento che desiderano supportare aggiornamenti basati sui dati e la manutenzione continua delle linee di produzione critiche possono acquistare ricambi da EU Automation. Disporre di una fonte affidabile di componenti per l'automazione industriale può garantire il successo delle strategie di manutenzione predittiva.
Riferimenti
[1] McKinsey & Company, Digitally Enabled Reliability: Beyond Predictive Maintenance, 2018.
[2] Deloitte, Predictive Maintenance and the Smart Factory.
[5] McKinsey & Company, Prediction at Scale: How Industry Can Get More Value Out of Maintenance, 2021.
