La manutenzione predittiva può ridurre i downtime? Come? Partiamo dal riconoscere che i downtime costituiscono da sempre uno dei peggiori incubi per qualsiasi azienda, in particolar modo nel settore manifatturiero, dove i fermi di produzione incidono in maniera drammatica sulle sorti del fatturato. Fare una stima certa è praticamente impossibile, in quanto entrano in gioco molte variabili, come la dimensione e la tipologia del business.
Secondo IDC, si spazia da un danno di circa 500 dollari al minuto per una piccola impresa, fino a superare in scioltezza i 10000 dollari nel caso di una grande realtà enterprise. Per un colosso e-commerce come Amazon, già nel 2018 si stimava che un’ora di downtime potesse equivalere ad un danno economico di oltre 13 milioni di dollari per ogni ora di downtime. Una stima che, confrontata con i suoi attuali ritmi di fatturato, oggi appare quasi irrisoria.
Lo ricordavamo in una recente riflessione sul ruolo della continuità di business per la brand reputation ed ancora una volta dobbiamo concordare con Warren Buffett, quando afferma che: “Ci vogliono vent’anni per costruire una reputazione, bastano cinque minuti per rovinarla”.
Senza entrare nel merito dei vari metodi di calcolo dei danni derivanti da un downtime non pianificato, ossia causato da una situazione del tutto imprevista, come un incidente informatico, cerchiamo di capire come l’impiego di tecniche come l’IoT e il Machine Learning possa salvare le aziende da bruttissime sorprese, sia nel conto economico che per quanto concerne il danno reputazionale dovuto ai disservizi generati ai clienti.
Oggi le informazioni corrono sempre più veloci e in modo incontrollato nella rete. Una semplice opinione negativa, spesso alimentata da pratiche eticamente discutibili di un competitor, può generare una macchina del fango in grado di travolgere anche la credibilità dei marchi dotati di una tradizione di lungo corso.
Per facilità divulgativa, nella sintesi che seguirà, ci riferiremo in particolare ai downtime legati ai sistemi di produzione, ma gli stessi concetti sono concettualmente applicabili anche alle sventure dei fornitori di servizi.
Indice dei contenuti
I principali approcci alla manutenzione: reattiva, preventiva e predittiva
Per facilitare il confronto tra i modelli più diffusi, vediamo, in estrema sintesi cosa si intende per manutenzione reattiva, preventiva e predittiva, i metodi che hanno segnato l’evoluzione di tali processi dalla prima alla quarta generazione industriale. L’aspetto cruciale nel definire le differenze, come vedremo, non si sofferma tanto sulle modalità con cui la manutenzione avviene, che tende a seguire il progresso tecnologico, quanto sul momento in questa viene effettuata. Tale dettaglio incide infatti in maniera determinante sulla prevenzione dei downtime non pianificati.
Manutenzione reattiva: risolvere il downtime, senza prevenirlo
Si tratta di un metodo che prevede l’intervento soltanto quando si riceve la notizia di un guasto, per cercare di porvi rimedio nel più breve tempo possibile. Non si agisce pertanto per prevenire un’interruzione di servizio, ma ci si pone il problema di risolverlo soltanto se il downtime effettivamente si verifica.
Manutenzione preventiva: prevenire il downtime, con eccesso di zelo
È l’approccio che generalmente coincide con la manutenzione programmata. Sulla base delle specifiche degli impianti e delle disposizioni fornite dai progettisti, i responsabili di produzione effettuano una pianificazione degli interventi utili a mantenere il layout di produzione in condizioni di perfetta efficienza. Rispetto alla manutenzione reattiva si rischia tuttavia di eccedere in senso opposto, in quanto per evitare i downtime si tende a sovrastimare gli interventi rispetto a quelli che sarebbero strettamente necessari. Il tutto senza avere un’effettiva visibilità in tempo reale dello stato di funzionamento degli impianti, il che non esclude la possibilità che il downtime si presenti ugualmente. La manutenzione preventiva è un metodo mediamente efficiente, ma molto dispendioso da sostenere.
Manutenzione predittiva: la misura ottimale, grazie a IoT e Machine Learning
Si tratta della naturale evoluzione della manutenzione preventiva, grazie all’approccio proattivo abilitato da tecnologie emergenti come la Internet of Things (IoT) e il Machine Learning. L’IoT consente di collocare dei sensori in grado di rilevare ogni dato funzionale al monitoraggio in tempo reale degli impianti. In altri termini, i sistemi IoT consentono di avere la costante visibilità dello stato di salute delle linee di produzione, impostando delle soglie di sicurezza per prevenire che un’alterazione rispetto alle condizioni standard possa generare un guasto imprevisto ed un conseguente downtime.
La manutenzione predittiva elimina l’aspetto ridondante ed eccessivamente sistematico della manutenzione preventiva, ottimizzando il numero degli interventi, i costi che ne conseguono, migliorando al tempo stesso la qualità del servizio.
Una ulteriore evoluzione in termini di efficacia dell’approccio predittivo è oggi possibile grazie all’apprendimento automatico che i sistemi di Machine Learning elaborano sulla base dello storico dei dati rilevati direttamente sugli impianti. Tali tecniche consentono infatti di generare valutazioni in tempo reale analizzando grandi numeriche di dati, grazie alla correlazione di una quantità di variabili che andrebbe ben oltre le capacità cognitive di qualsiasi operatore umano.
L’analisi predittiva è ad esempio in grado di effettuare previsioni sulle possibilità che un determinato downtime si verifichi, fornendo ai responsabili per la manutenzione insight utili a prendere decisioni informate e consapevoli in merito ai rischi effettivi, e sull’opportunità di intervenire o meno.
Una ulteriore evoluzione è costituita dall’analisi prescrittiva, che non si limita alla previsione ma entra nel merito di suggerire nel dettaglio come intervenire, arrivando persino a prendere in autonomia la decisione, se il sistema di Machine Learning viene funzionalmente connesso ad un impianto di manutenzione robotica.
Secondo Gartner, entro l’anno in corso, il volume d’affari generato dalle applicazioni di analisi prescrittiva dovrebbe sfiorare i due miliardi di dollari, anche grazie alla sua perfetta integrazione con le funzionalità IIoT, acronimo di Industrial Internet of Things, la sottobranca industry-oriented dell’IoT. A livello di definizioni è frequente ritrovare sia gli aspetti di analisi predittiva che di analisi prescrittiva sotto l’unico capello della manutenzione predittiva, che comprende un ventaglio di soluzioni tecnologiche sempre più ampio ed efficiente per risolvere ogni specifica esigenza.
L’importanza della manutenzione predittiva nella trasformazione digitale
Per comprendere il fondamentale ruolo della manutenzione predittiva e del contributo di tecnologie come l’IoT e il Machine Learning nel rendere più efficienti i processi di produzione è sufficiente osservare l’evoluzione della domanda di mercato in corso ormai da diversi anni a questa parte.
Nell’era di Internet e con la crescita del modello di vendite basato sull’e-commerce, il consumatore ha progressivamente acquisito una crescente capacità di controllo e personalizzazione della domanda, che si traduce in una sostanziale rivoluzione del ciclo di vita dei prodotti, in cui molte fasi tendono a comprimersi a dismisura per garantire un time to market compatibile con le esigenze del mercato.
La trasformazione digitale da un lato diventa l’inevitabile “tassa da pagare” per rimanere competitivi, ma al tempo stesso offre l’opportunità di modernizzare e rendere più intelligenti e proattivi i sistemi di produzione, ivi compresi i processi legati alla manutenzione. In altri termini, per rendere più efficiente la manifattura è necessario rendere più efficienti i processi grazie alle tecnologie abilitanti dell’Industria 4.0, rendendo più interconnesso e intelligente il funzionamento della fabbrica.
I leader aziendali cercano di accaparrarsi un vantaggio competitivo attraverso soluzioni intelligenti, in cui rientra a pieno titolo una manutenzione delle risorse capace di ottimizzare i tempi e i costi di intervento, agendo soltanto quando è strettamente necessario farlo per evitare penalizzanti downtime.
Esempi di manutenzione predittiva per ridurre i downtime in produzione
La manutenzione predittiva offre diverse opportunità per intervenire sulle criticità prima che si traducano in veri e propri downtime non pianificati, la condizione più penalizzante per la continuità di business.
Gli alert provenienti dai sistemi IoT sono un autentico salvagente per i responsabili delle linee di produzione e l’apporto tecnologico può essere ulteriormente valorizzato grazie ad opportune strategie data driven, in grado di sfruttare al massimo la visibilità in tempo reale garantita dai sensori di acquisizione e dai moderni sistemi IT/OT che controllano il funzionamento degli impianti.
L’approccio proattivo per giocare sistematicamente d’anticipo
La manutenzione predittiva e in particolare le funzioni di analisi avanzata basate sul Machine Learning consentono di avere un approccio proattivo nel mantenere in efficienza le linee di produzione. La radicale variazione rispetto ai sistemi di manutenzione tradizionale consente nel non farsi trovare impreparati, anticipando l’incidente con elevate probabilità di successo.
L’automatizzazione delle procedure legate alla conoscenza dello stato di funzionamento dei sistemi di produzione consente di alleggerire il livello di competenze richiesto dal personale addetto, che può essere supportato in tempo reale da procedure guidate e applicazioni di manutenzione assistita in realtà aumentata, disponibili su dispositivi mobile o mediante appositi visori, che consentono peraltro di operare a mani libere e in totale sicurezza sugli impianti.
Se fino a poco tempo fa i downtime potevano apparire un fenomeno inevitabile, da mettere in qualche modo in preventivo, la manutenzione predittiva sta variando sensibilmente la rotta in funzione di investire maggiormente nelle tecnologie in grado di prevenire sistematicamente il disastro, anziché curarlo.
Programmare i downtime pianificati per limitare i downtime non pianificati
I tempi dei downtime costituiscono un elemento estremamente paralizzante e critico per le sorti economiche e reputazioni delle aziende. Un’interruzione non pianificata interrompe la produzione per ragioni che all’origine possono risultare del tutto ignote, costringendo i tecnici ad una vera e propria corsa contro il tempo per diagnosticare e risolvere il problema nel più breve tempo possibile.
La situazione di emergenza è di carattere reattivo, pertanto non ci mette nelle condizioni di prevedere quale sarà effettivamente il tempo necessario per ripristinare un servizio soggetto ad interruzione.
I sistemi basati sulla manutenzione predittiva, come precisato, agiscono invece in maniera proattiva, indirizzando i downtime verso la situazione buona, quella pianificata, in cui l’azienda può programmare tutte le attività e predisporre le condizioni di ridondanza necessarie per garantire la continuità di business durante le operazioni tecniche sugli impianti.
L’approccio proattivo, oltre ad ottimizzare il numero degli interventi e i costi globali legati alla manutenzione, consente quindi di creare situazioni di downtime pianificato che riducono ulteriormente i rischi di incorre in situazioni non pianificate, quelle realmente nocive per l’azienda, in cui l’interruzione di servizio si traduce in un vero e proprio danno.
Ottimizzare il personale addetto alla manutenzione
Utilizzando i metodi di manutenzione tradizionali, le aziende che dispongono di un elevato numero di linee di produzione, spesso dislocate in stabilimenti presso sedi differenti, dovevano abitualmente disporre di risorse molto elevate per assicurare l’efficienza degli impianti presenti sul piano di fabbrica.
La manutenzione predittiva consente di ridurre sensibilmente il numero di interventi e di conseguenza anche il numero di addetti necessari. Le ore complessive che i tecnici a disposizione dedicano alla manutenzione degli impianti può essere ridotta migliorando al tempo stesso la qualità del servizio.
I criteri di assegnazione vengono definiti grazie alle applicazioni predittive, che individuano in tempo reale quali macchine richiedono un intervento entro tempi più ridotti. Ancora una volta a fare la differenza è il momento in cui intervenire. Il timing della manutenzione costituisce l’aspetto decisivo per evitare i downtime non pianificati e ottimizzare le risorse umane e tecnologiche a disposizione.
In tale contesto risulta ancora una volta fondamentale il ricorso a tecniche di manutenzione assistita grazie a tecnologie di realtà aumentata, che consente di distribuire al meglio le competenze disponibili, con una centrale operativa, altamente qualificata, in grado di guidare da remoto le squadre di tecnici sul campo.
