Una grande rivoluzione nella manutenzione: Manutenzione predittiva guidata da IA/IoT che previene i tempi di inattività

Per mantenere le linee di produzione in funzione in modo sicuro e produttivo come pianificato, l'ispezione e la manutenzione sono essenziali (Fig. 1). È innegabile che ciò richieda anche tempo, fatica, denaro e persone. Eppure, negli ultimi anni, alcuni paesi hanno dovuto far fronte a una carenza di personale addetto alla manutenzione a causa di un tasso di natalità in calo e dell'invecchiamento della popolazione. Inoltre, poiché la manutenzione è indirettamente collegata al valore del prodotto, molte aziende preferirebbero ridurre il personale addetto.

Fig. 1: L'ottimizzazione dell'ispezione e della manutenzione può essere un vantaggio chiave per le fabbriche intelligenti

Le linee di produzione possono interrompersi per una serie di motivi, ma brevi interruzioni si verificano quando si sommano vari fattori: piccoli ritardi lungo la linea, malfunzionamento delle apparecchiature o lievi problemi di sincronizzazione. Questa molteplicità di fattori rende difficile prevedere le interruzioni.

Di recente, i produttori hanno applicato l'IoT per raccogliere dati sulle condizioni operative delle apparecchiature e sui movimenti dei lavoratori, che possono essere acquisiti in tempo reale. La raccolta e l'analisi dei big data dei dati acquisiti ha portato a tecniche per prevedere brevi interruzioni facendo riferimento a situazioni precedenti. È possibile prevenire brevi interruzioni anticipate adeguando le condizioni operative delle apparecchiature pertinenti o coinvolgendo un numero maggiore di lavoratori.

Al contrario, altri fattori possono richiedere la riparazione, se le parti meccaniche si usurano o si arrugginiscono, lo sporco o i corpi estranei creano ostruzioni o temperature eccessivamente calde provocano espansione. I cambiamenti che alla fine portano al malfunzionamento sono complessi e si verificano gradualmente, il che ne rende difficile la previsione.

La manutenzione preventiva ha tradizionalmente comportato un'attenta e regolare ispezione con conseguente sostituzione delle parti di consumo parzialmente utilizzate per evitare malfunzionamenti che richiedono la riparazione. Questo approccio ha mostrato due difficoltà. In primo luogo, la variazione di una singola parte significa che il malfunzionamento potrebbe verificarsi prima del previsto. In secondo luogo, sembra uno spreco sostituire parti perfettamente funzionanti prima della fine della loro vita utile. Negli ultimi anni, tuttavia, l'IoT e l'IA hanno consentito una posizione più proattiva attraverso il rilevamento precoce dei segni del malfunzionamento. Ciò è noto come manutenzione predittiva (Fig. 2). Potenziali indicatori come aspetto, suono, pressione, calore e vibrazioni vengono raccolti come dati dai sensori sulle apparecchiature di produzione e le tecniche di analisi che includono l'IA aiutano a rilevare in anticipo i segni di un guasto o malfunzionamento. Con la manutenzione predittiva, le parti di consumo possono essere utilizzate al massimo delle loro potenzialità. Ciò consente un approccio sistematico alla manutenzione e agli ordini delle parti.

Fig. 2: Differenza tra manutenzione preventiva e manutenzione predittiva

In alcune fabbriche di vecchia data, gli ingegneri esperti sono in grado di rilevare le anomalie delle apparecchiature dal suono o dalle vibrazioni percepite dalle loro mani. Questa profonda consapevolezza ha evitato brevi interruzioni o guasti alle apparecchiature che richiedono riparazioni.

Oggi ci sono sempre meno ingegneri esperti e, poiché il tasso di natalità diminuisce in una società che invecchia, è difficile trasmettere queste competenze e il numero di persone da formare si riduce. Con le fabbriche intelligenti, è possibile costruire sistemi per il monitoraggio continuo di tutte le apparecchiature di produzione rilevando tutte le anomalie. Ciò è impossibile da ottenere in modo tradizionale nelle fabbriche che fanno affidamento esclusivamente sulle competenze di poche persone.

La previsione di un malfunzionamento non è l'unico vantaggio delle tecnologie di raccolta e analisi dei dati più avanzate con un rilevamento delle anomalie più accurato. Possiamo anche prevedere un eventuale calo nella resa e nella qualità. Tuttavia, un rilevamento più accurato delle anomalie richiede ai produttori di raccogliere sufficienti dati di alta qualità da aree idonee, il che richiede anche sensori, moduli di comunicazione, batterie e altri componenti più avanzati dei sistemi IoT che raccolgono i dati (Fig. 3).

Fig. 3: Componenti chiave per una maggiore precisione di rilevamento delle anomalie nelle fabbriche intelligenti

A tal fine, questi componenti devono essere più piccoli, più leggeri e più efficienti dal punto di vista energetico, in modo che i requisiti di installazione non creino limitazioni ai luoghi di raccolta dei dati. I componenti, inoltre, devono avere un'elevata resistenza ambientale e immunità al rumore per garantire un funzionamento stabile anche in condizioni di fabbrica difficili.

Uno sviluppo degli ultimi anni che sta gradualmente diventando sempre più popolare come fonte di alimentazione per i dispositivi IoT è l'Energy Harvesting, che trasforma le fonti di energia ambientale, come luce, differenze di temperatura, onde elettromagnetiche o vibrazioni, in energia elettrica. Guardando al futuro, le batterie a stato solido a base di ossido che migliorano la resistenza ambientale dei dispositivi IoT alimentati a batteria promettono di espandere le aree di utilizzo di questi dispositivi.