Nel mondo industriale, al netto delle problematiche legate alla pandemia corrente, stiamo vivendo un’epoca di grandi evoluzioni. Anzi, a quest’epoca abbiamo dato l’allure della rivoluzione, chiamandola “Industry 4.0”.

Uno dei temi caldi sui quali sta lavorando con grande intensità NeXT, sono le manutenzioni.

Abbiamo parlato più volte del Machine Ledger, uno strumento che, nel mondo WCM, veste i panni di un complessissimo file Excel. Ma di questo strumento abbiamo parlato in maniera esauriente nello scorso post dello Smart Factory Blog.

Il Machine Ledger di NeXT, che abbiamo rinominato Machine Ledger 4.0, diventa uno strumento per tutte le realtà industriali e manifaturiere e, soprattutto si arricchisce di tutte quelle tecnologie che la nuova rivoluzione ci ha messo a disposizione e di tutto il know how che NeXT ha accumulato in questi anni, soprattutto in tema di Intelligenza Artificiale.

Ad oggi, i metodi più utilizzati per gestire nella maniera più raffinata possibile le manutenzioni dei macchinari, sono l’HBM (ovvero Hit Based Maintenance) e la CBM (ovvero Condition Based Maintenance).

Proviamo a descriverli sinteticamente.

 

Cos’è l’HIT Based Maintenance

L’Hit Based Maintenance è un modo per gestire le manutenzioni che parte da un dato quantitativo, un dato che indica un numero di cicli, realizzati i quali, un determinato pezzo è considerato da sostituire o da lubrificare o pulire… L’HBM costituisce il livello più semplice per gestire le manutenzioni, si tratta comunque di un grande passo in avanti rispetto alla semplice manutenzione preventiva, fatta di azioni periodiche di pulitura e lubrificazione, come ad esempio i CIL, atte ad allungare il più possibile il ciclo di vita di una macchina.

 

Cos’è il Condition Based Maintenance

La Condition Based Maintenance (CBM) è un’ulteriore evoluzione dell’HBM.

È un metodo di gestione delle manutenzioni che coinvolge più variabili, una delle quali può essere, ad esempio, la quantità di cicli presi in considerazione dall’HBM: tutte queste variabili, messe in relazione tra esse vanno a disegnare un modello matematico complesso (ma, come vedremo, con dei limiti).

L’obiettivo diventa quello di raffinare ulteriormente l’individuazione del momento migliore per intervenire, nella maniera più idonea, su un pezzo del macchinario o su un gruppo di elementi o sulla macchina nel suo complesso.

 

La manutenzione predittiva

Come può essere tutto questo l’antefatto della manutenzione predittiva?

Le parole chiave sono “connessione”, “big data” e “machine learning”.

Una manutenzione può diventare davvero predittiva se vengono acquisiti grandi moli di informazioni. E questo può avvenire grazie alla connessione con il processo produttivo. Queste informazioni vengono utilizzate per disegnare modelli complessi di machine learning. In questo modo il momento dell’intervento manutentivo diventa variabile, dipendendo esso dall’effettivo utilizzo del pezzo meccanico (grazie alla connessione col processo produttivo, sappiamo quanto lavora).

Sarà possibile prevedere con maggiore precisione il momento per sostituire un pezzo, sfruttandolo al massimo, ma evitando interruzioni improvvise.

 

Connessione

Quest’era che ormai da anni descriviamo con il termine “Industria 4.0” o “Factory 4.0” o “Smart factory”, ha nella connessione l’elemento davvero distintivo rispetto a quanto avveniva prima.

Oggi, il luogo di lavoro è immerso nell’Internet of Things. Questo abbatte i confini delle linee, dei reparti e persino degli stabilimenti. Avendo le tecnologie giuste, possiamo accedere a tutto ciò che ci serve, quando ci seve. Ci sono sistemi, come l’OEE, che, se implementati in maniera smart, sono in grado di acquisire i dati di produzione relativamente a pezzi prodotti e fermi soprattutto, e di metterli a disposizione di altri processi, come un sistema di gestione delle manutenzioni (es. Machine Ledger 4.0).

Ad esempio è possibile connettersi direttamente ad un PLC, settando il protocollo, variabili, limiti e altri parametri utili ai modelli di Machine Learning.

 

Big Data

I dati, in grandi quantità, costituiscono il nutrimento per i modelli di Machine Learning che saranno quindi capaci di predire il comportamento e l’usura di una macchina o di una sua parte.

Grazie a questi modelli, la domanda non sarà più rivolta a conoscere quanti cicli il pezzo ha fatto…ma quando il pezzo avrà raggiunto quei cicli, tenendo conto di diverse variabili, il cui valore arriverà direttamente dal processo produttivo.

Il “quando” è appunto quella categoria che fa diventare predittiva quella che fino ad ora era stata semplicemente una manutenzione preventiva o proattiva.

 

Machine Learning

L’utilizzo dell’Intelligenza Artificiale è il vero valore aggiunto di qualsiasi soluzione voglia considerarsi davvero innovativa oggi.

Attraverso modelli di machine learning è possibile settare e gestire eventi condizionali sempre più complessi. Quando si verifica l’evento condizionale, il sistema, il Machine Ledger 4.0, riesce a pianificare automaticamente un’attività di manutenzione nel calendario delle manutenzioni.

In definitiva, il Machine Learning è uno strumento matematico che cerca di modellare un sistema complesso, difficile da esprimere tramite semplici equazioni (la tradizionale CBM).

 

Il tempo (e il denaro) ritrovato

Una determinazione più “chirurgica” del fine vita di un pezzo o di una macchina, si traduce in un risparmio di tempo ed una ottimizzazione della produttività.

Questo, principalmente, perché si possono verificare le seguenti situazioni:

  • Si spinge più in là nel tempo l’utilizzo dell’elemento interessato, aumentando quindi il suo ciclo di vita, il suo sfruttamento e quindi migliorando l’ammortamento dell’investimento iniziale.
  • Il pezzo deve essere cambiato prima del previsto per una serie di motivi descritti dai modelli di machine learning: questo vuol dire che senza di essi ci saremmo trovati di fronte ad un fermo macchina improvviso, con tutto ciò che questo comporta in tema di spreco di tempo (procurare il pezzo sostitutivo) e denaro (mancata produzione)
  • Riduzione dei falsi negativi (i falsi negativi sono delle anomalie non segnalate che portano comunque a guasti inattesi).

 

 

Se vi interessano i temi che affrontiamo, iscrivetevi alla nostra Newsletter, per rimanere sempre aggiornati sui contenuti che pubblichiamo.

 

Ci piacerebbe conoscere il vostro parere. Seguiteci su Linkedin!

 

Ma se volete seguirci nella maniera più veloce e agile, seguite il nostro canale su Telegram!

 

 

 

 

 

Ascoltando: Imagine Dragons – “Believer
Lettura in corso: “Il colibrì” di Sandro Veronesi
Mood: Predittivo

 

 

 

 

 

Digital Strategist & Blogger

 

 

 

 

 

 

 

 

 

On this website we use first or third-party tools that store small files (cookie) on your device. Cookies are normally used to allow the site to run properly (technical cookies), to generate navigation usage reports (statistics cookies) and to suitable advertise our services/products (profiling cookies). We can directly use technical cookies, but you have the right to choose whether or not to enable statistical and profiling cookiesEnabling these cookies, you help us to offer you a better experienceCookie policy