Dietro alla performance di stabilimento

Senza una buona gestione della manutenzione non può esserci stabilimento performante. La manutenzione infatti, per quanto considerata un costo al pari dell’energia, è in realtà uno degli investimenti più importanti per garantire il funzionamento di impianto. Sistemi ben manutenuti sono più efficienti, generano meno scarti e hanno affidabilità e disponibilità più alte, portando quindi a un processo che produce di più e meglio.

E il ruolo che si occupa di coordinare tutti gli aspetti della manutenzione, dalla correttiva alla pianificata, dalla straordinaria all’ispettiva, è il responsabile di manutenzione. Questa figura ha sulle spalle tutti gli aspetti della gestione manutentiva: piani e strategie di manutenzione, formazione del personale, pianificazione delle squadre interne ed esterne, identificazione dei macchinari da sostituire.

Fare tutto per bene, come sempre, è una sfida, soprattutto se il responsabile di manutenzione è da solo e deve gestire impianti complessi e squadre estese. Fortunatamente, i sistemi data-driven possono supportarlo in moltissimi aspetti del suo mestiere.

AI per il responsabile della manutenzione: come?

I sistemi di intelligenza artificiale combinati con i dati di campo e dal CMMS o dall’EAM, infatti, imparano a interpretare le informazioni e fornire spunti e indicazioni agli utenti, che siano team di manutenzione, responsabile o personale in formazione. L’aspetto più scontato dei sistemi AI-driven per la manutenzione sono soluzioni di anomaly detection o manutenzione predittiva data-driven, controllori che osservano 24 ore su 24 7 giorni su 7 lo stato di salute delle macchine e percepiscono cambi di comportamento anomali.

Tuttavia, con l’avvento dell’AI generativa e l’ampia disponibilità di dati, le potenzialità dell’applicazione dell’AI in manutenzione si ampliano in modo importante.

Manutenzione predittiva e anomaly detection

I sistemi di AI, allenati sullo storico che deriva dai dati di campo e dalle segnalazioni a correttiva registrate, sono in grado di intercettare con ampio anticipo guasti e anomalie.

I sistemi di anomaly detection suggeriscono che alle condizioni operative a cui sta lavorando l’impianto c’è qualcosa che non va. Utilizzando sistemi di eXplainable AI è inoltre possibile andare a identificare quale tra i vari parametri ha suggerito al modello l’anomalia – temperatura? Pressione? Vibrazione? In questo modo il manutentore può approfondire e decidere eventualmente come intervenire.

I sistemi di manutenzione predittiva rispetto all’anomaly detection sono sistemi diagnostici, che non solo intercettano l’anomalia ma sono anche in grado di suggerire la probabilità che uno specifico modo di guasto si presenti nel prossimo futuro.

Entrambi i sistemi sono in grado di intercettare i guasti nelle prime fasi in cui questi si sviluppano, il loro potenziale predittivo varia quindi in base al tipo di guasto che si vuole intercettare. Guasti meccanici si riescono ad intercettare con mesi di anticipo; guasti elettronici con qualche ora o quarto d’ora di anticipo.

Normalmente, questi sistemi sono implementati a partire dai dati di campo, che vengono inviati in real time in modo che il modello possa fare una valutazione dello stato di salute delle macchine. Quando il modello intercetta un’anomalia, questa viene segnalata tramite ticket sul CMMS o l’EAM in uso.

Co-piloting e troubleshooting a servizio del team in campo

Utilizzando sistemi di anomaly detection o manutenzione predittiva uniti a sistemi di AI generativa, è possibile strutturare processi di troubleshooting a supporto dei team in campo.

In base all’anomalia rilevata, il sistema naviga i vari manuali disponibili – che devono essere digitalizzati e predisposti in un database compatibile con i modelli di AI generativa – e suggerisce verifiche da fare. In base al risultato, l’operatore o l’operatrice possono confrontarsi con il modello per capire qual è lo step successivo migliore, in modo da diminuire l’effort in fase esplorativa e di ispezione e facilitare l’onboarding di personale non ancora del tutto formato.

Formazione e onboarding

A proposito di onboarding, sappiamo tutti quanto è difficile e oneroso formare i nuovi membri dei team nella manutenzione, soprattutto se le macchine sono personalizzate e specifiche.

I sistemi di AI generativa strutturati con la strategia del Retrieval Augmented Generation (RAG) sono in grado di leggere i documenti tecnici e le informazioni storiche storicizzate in speciali database studiati apposta per lo scopo, e rispondere a domande specifiche con risposte pertinenti.

E’ quindi possibile predisporre un sistema con percorsi personalizzati di formazione, basati sulla documentazione specifica, che possano accompagnare le nuove reclute in un percorso di formazione validato, avendo al contempo lo spazio per fare domande e ricevere risposte mirate senza per forza perdere un pomeriggio per cercare i documenti giusti o dover chiedere alla memoria storica dell’azienda che sta per andare in pensione e non risponde più alle mail.

Ottimizzazione della schedulazione

Il responsabile di manutenzione, tra le altre cose, deve dare anche organizzare gli interventi di manutenzione, garantendo le competenze giusti con gli strumenti più adatti in ogni posto. In alcuni casi questo è semplice, in altri casi però incastrare tutto è un incubo. Soprattutto quando ci sono figure che hanno diverse competenze che potrebbero essere necessarie in diversi luoghi contemporaneamente, o se gli strumenti a disposizione sono limitati.

I sistemi di ottimizzazione data-driven in questo caso sono una manna dal cielo. Questi sistemi hanno un obiettivo e giocano con i dati su cui hanno il controllo per raggiungerlo. Ad esempio potrebbero avere come obiettivo ‘coprire tutti gli interventi previsti con le figure corrette dal punto di vista delle competenze e entro i tempi stabiliti’. In questo caso cambierebbero l’ordine degli interventi nell’arco della settimana in modo da garantire che tutto giri correttamente senza sovrapposizioni, suggerendo poi la pianificazione migliore.

Supporto nel riempimento dei ticket

Ultimo spunto per i responsabili di manutenzione è ispirato da ore e ore cercando di ricostruire i database di manutenzione riempiti in fretta e senza attenzione dai team in campo, che non sempre si preoccupano di tracciare per bene tutto sul CMMS.

Immaginatevi un sistema che a partire da un input testuale esteso sappia ricostruire i vari dettagli dell’intervento in base a una struttura standard. Quanti problemi risolverebbe? Con i sistemi di AI generativa è possibile costruire un sistema in linguaggio naturale che interagisce con i manutentori in campo per recepire quanto preso in carico e organizzarlo nei campi predefiniti in modo semi-automatico.

Ispezione automatica

Una delle applicazioni più largamente in uso nella manutenzione è l’utilizzo di droni o sistemi di visione per l’ispezione automatica, in modo da intercettare difetti superficiali negli asset difficili da raggiungere da un operatore o un’operatrice.

Questi sistemi sono ad esempio molto utili per gli asset distribuiti – reti, sistemi di distribuzione o altro – oppure per i componenti installati sui tetti o in altezza.

L’importanza dei dati

A differenza di altri settori, il campo della manutenzione è specifico e peculiare: ogni azienda ha le sue procedure, i suoi macchinari e i suoi dati. Quindi, i sistemi data-driven devono essere allenati su dati proprietari, diligentemente salvati da qualche parte nel tempo.

Che siano dati dai PLC, dai MES, dagli HMI o dai sistemi di controllo, i parametri di processo devono essere registrati e storicizzati in modo da poterli usare in futuro. Similmente, le informazioni relative agli interventi di manutenzione devono essere compilati in modo completo nel CMMS, integrando durate, costi, strumentazione o ricambi utilizzati e procedure manutentive.

Da grandi poteri derivano grandi responsabilità

Quindi – il responsabile della manutenzione è una figura centrale per garantire che tutto funzioni come deve funzionare in un impianto. Spesso però le attività che deve prendere in carico sono onerose e variegate, e non sempre si riesce a fare tutto. I sistemi data driven da questo punto di vista possono dare un gran supporto al responsabile di manutenzione al suo team grazie alla possibilità di:

• prevedere in anticipo i guasti con tool di manutenzione predittiva o anomaly detection
• supportare nelle fasi di diagnosi e troubleshooting con istruzioni basate sulla manualistica ma calibrate di volta in volta in base alle domande degli oepratori e delle operatrici e ai risultati delle ispezioni in campo
• facilitare l’onboarding e la formazione con un AI-buddy a disposizione delle nuove leve del team
• ottimizzare la schedulazione delle attività manutentivi, indicando chi dovrebbe fare cosa e in che momento della settimana in modo da evitare sovrapposizioni e ritardi
• riempire i ticket in modo semi-automatico in base alle informazioni fornite dai manutentori con un messaggio di testo
• gestire le ispezioni visive complesse tramite droni e sistemi di machine vision integrati