Manutenzione predittiva e piattaforma IoT: come si comincia

La manutenzione predittiva è un tema di attualità crescente. 

Per le aziende manifatturiere - e per tutte le aziende che forniscono un servizio di manutenzione dei prodotti venduti - le tecnologie che abilitano la manutenzione predittiva sono sempre di più un elemento business-critical, soprattutto in ottica di efficienza dei processi.

In questo articolo analizziamo i requisiti, gli errori da evitare e l’approccio più corretto per adottare sistemi di manutenzione predittiva.

I requisiti della manutenzione predittiva

Quando parliamo di manutenzione predittiva intendiamo un approccio alla manutenzione che si basa sulla raccolta ed elaborazione di dati attraverso modelli matematici. 

Se nella manutenzione tradizionale si esegue l’intervento dopo che il guasto si è manifestato, la manutenzione predittiva consente di prevedere quando si verificherà il guasto di una macchina, aprendo la strada a un importante cambio di paradigma per la gestione del customer service.

La manutenzione predittiva è resa possibile da ciò che viene comunemente detto “machine learning“, ossia un metodo di analisi dei dati che automatizza la costruzione di modelli analitici.

Per implementare correttamente gli algoritmi di machine learning, sono essenziali i dati dei macchinari su cui si vuole eseguire la manutenzione predittiva. Ma mentre fino a qualche tempo fa erano necessari dati molto strutturati e molto precisi, oggi il machine learning consente di compensare un certo grado di imprecisione grazie il volume dei dati stessi, creando dei modelli matematici validi. 

Errori comuni: perché è sbagliato aspettare

La quantità di dati necessaria ad “alimentare” gli algoritmi di machine learning è all’origine di molte interpretazioni sbagliate. 

Spesso le aziende ritengono di non possedere dati a sufficienza e considerano la possibilità di implementare un algoritmo per la manutenzione predittiva solo in un futuro non meglio identificato. 

Così facendo, si limitano invece a perdere tempo: è sbagliato pensare di sviluppare algoritmi su dati che non si hanno o su dati terzi che non si conoscono, perché i data-set possono cambiare molto. 

L’approccio corretto partendo dagli strumenti giusti

L’approccio più adatto alla manutenzione predittiva è quello in cui l’azienda usa le informazioni che possiede già - come i file esportati da sistemi già in uso o anche semplici fogli Excel. 

È importante fare in modo che l’acquisizione di queste informazioni sia quanto più frequente possibile, a partire dall’ambiente di collaudo, dove le macchine sono sempre a disposizione: in questo contesto le informazioni vanno interpretate e utilizzate per avere una prima traccia univoca di come la macchina si comporta, che tipi di dati produce e con quali peculiarità.

Poi, la raccolta di nuove informazioni deve avere luogo ogni volta che si ha la possibilità di attingere a sistemi di acquisizione dati completi e in tempo reale (es. scaricando i log durante le manutenzioni), così da avere delle fotografie temporalmente distanziate - seppur brevi - del funzionamento della macchina.

Il passo successivo è aggiungere un sistema di monitoraggio remoto, aprendo la strada ad applicazioni di autodiagnostica della macchina e all’implementazione di una piattaforma IoT. 

L’obiettivo finale è mantenere un approccio legato ai dati: solo dopo aver attivato questo meccanismo è possibile incrementare la capacità della macchina di ascoltare se stessa e il mondo circostante.

Uno strumento progettato per raccogliere dati

Nosco è un sistema dotato di piattaforma IoT integrata che abbiamo realizzato con un duplice obiettivo: acquisire i dati nel modo più semplice e veloce possibile e includere questo sistema di acquisizione direttamente nell’elettronica di controllo della macchina.

In questo modo, Nosco non solo pone le fondamenta per il passaggio alla manutenzione predittiva, ma lo fa abilitando uno sviluppo digital-first del macchinario.