Portare la manutenzione predittiva in fabbrica
La fabbrica moderna è un ambiente complesso e spesso altamente tecnologico. Le catene di montaggio comprendono una gamma di attrezzature e componenti, ognuno dei quali esegue un compito specifico in un determinato ordine. Un problema con un solo componente può mandare in tilt i lavori, portando l’intero processo di produzione a una brusca frenata. Tali arresti sono estremamente costosi, pertanto le fabbriche prestano una notevole attenzione e dispongono una dotazione di bilancio altrettanto notevole per la manutenzione. Il problema è che la maggior parte delle attività di manutenzione sono regolari, cioè avvengono indipendentemente dal fatto che un componente debba essere riparato, o reattive, ovvero avvengono in seguito alla rottura di qualcosa. Nonostante entrambi gli approcci contribuiscano a ridurre il rischio di un lungo arresto, nessuno dei due è efficace nel prevenire l’arresto in primo luogo. Ciò di cui le fabbriche hanno bisogno è la manutenzione predittiva, che è esattamente ciò che il progetto PROGRAMS (PROGnostics based Reliability Analysis for Maintenance Scheduling), finanziato dall’UE, si prefigge di fornire. «Intendiamo estrarre informazioni da ogni livello della fabbrica (dati dei controllori e dei sensori, rapporti di manutenzione, esperienza dell’operatore, caratteristiche fisiche, ecc.) e, usando un algoritmo basato sull’intelligenza artificiale, determinare la programmazione ottimale delle attività di manutenzione», afferma Sotiris Makris, il coordinatore del progetto, che dirige l’unità Robotica, Automazione e Realtà Virtuale presso il Laboratory for Manufacturing Systems and Automation (ossia laboratorio per i sistemi di fabbricazione e automazione) dell’Università di Patrasso, in Grecia. «Riducendo al minimo l’impatto delle attività di manutenzione sul piano di produzione, possiamo contribuire ad aumentare la produttività e diminuire i costi.»
Un punto di svolta nella manutenzione predittiva
Il risultato determinante del progetto è lo sviluppo di uno strumento innovativo per prevedere la vita utile residua di un pezzo. «Utilizzando algoritmi intelligenti che sfruttano i modelli basati sull’intelligenza artificiale e i dati raccolti dal campo, questo strumento rappresenta un punto di svolta nella manutenzione predittiva», osserva Makris. Secondo Makris, conoscere la vita utile residua di un pezzo permette a un’azienda di fare calcoli sulle spese di capitale a breve e lungo termine. «Tali informazioni supportano il processo decisionale relativo all’ordinare pezzi di ricambio o programmare attività di manutenzione», aggiunge. «Possono anche essere usate per garantire che il personale riceva un’adeguata formazione in merito all’esecuzione di una specifica attività di manutenzione.» Durante lo sviluppo dello strumento, i ricercatori hanno affrontato una sfida unica. «Sorprendentemente, nessun guasto si è verificato durante il periodo di svolgimento del progetto, il che significa che non avevamo dati su casi di guasto da inserire nel nostro algoritmo di IA», spiega Makris. Invece, il progetto ha usato modelli basati sull’IA per simulare lo stato di scarso rendimento delle attrezzature. «Il guasto dei macchinari è preceduto da un certo deterioramento delle prestazioni e da una conseguente diminuzione della qualità del prodotto», aggiunge Makris. «Questo aggiustamento è stato in realtà molto apprezzato dai nostri partner industriali, perché permette loro di evitare non solo un guasto, ma anche la precedente diminuzione delle prestazioni.»
Un importante traguardo
Il progetto sta ora lavorando per far progredire la maturità del suo strumento e portarlo verso la commercializzazione. «Il nostro obiettivo finale è quello di preparare soluzioni di manutenzione predittiva solide e basate sull’IA che possano essere integrate nelle applicazioni industriali», osserva Makris. Il raggiungimento di questo obiettivo è stato agevolato in parte dal fatto che il progetto è membro del ForeSee Cluster, una rete di sei progetti finanziati dall’UE impegnati allo sviluppo di tecnologie per la manutenzione predittiva. «La nostra partecipazione al cluster rappresenta un importante traguardo per il progetto», conclude Makris. «Non solo garantisce che i nostri risultati siano inclusi in tentativi di normazione, ma ci introduce anche a una serie di parti interessate che possono utilizzare il nostro lavoro come base per la loro ricerca.»
Parole chiave
PROGRAMS, manutenzione predittiva, manutenzione, fabbrica, algoritmi intelligenti, intelligenza artificiale, IA, analisi dei dati, vita utile residua, catene di montaggio, produzione, applicazioni industriali
