Manutenzione predittiva

La manutenzione predittiva (in inglese predictive maintenance) consiste nell’intervenire su una macchina quando le misure mostrano che si sta avviando verso un guasto, e non prima. I sensori rilevano segnali come vibrazioni, temperatura e corrente; il software li confronta con il comportamento normale della macchina e segnala i componenti che si stanno usurando, a volte con una stima di quanto tempo resta loro. La squadra di manutenzione pianifica poi la riparazione nel momento più comodo, per esempio durante una fermata nel fine settimana, invece di rincorrere il guasto.

Che differenza c’è tra manutenzione predittiva e preventiva?

La manutenzione preventiva segue un calendario fisso, a date o a ore di funzionamento; quella predittiva segue le condizioni misurate di ogni singola macchina. Un piano preventivo sostituisce un cuscinetto a intervalli prestabiliti, per esempio una volta l’anno, che sia consumato o no. Un piano predittivo lascia al suo posto il cuscinetto sano e cambia in anticipo quello che si sta degradando.

C’è poi una terza strada, la manutenzione reattiva: si fanno lavorare gli impianti finché non si rompono e il conto si paga in fermi. La preventiva butta via componenti che avevano ancora vita davanti e non intercetta i guasti che arrivano prima di quanto prevede il calendario. La predittiva costa di più da avviare, perché richiede sensori, una rete e persone che agiscano sugli avvisi. Parente stretta è la manutenzione su condizione (condition-based maintenance), che interviene quando una misura supera una soglia; la predittiva prova anche a prevedere quando arriverà il guasto. Entrambe si basano sul monitoraggio delle condizioni, cioè la misura continua dello stato di salute di una macchina.

Quali dati e sensori servono per la manutenzione predittiva?

Serve un segnale che cambi prima che arrivi il guasto, misurato abbastanza spesso da mostrare una tendenza. Su motori, pompe, ventilatori e compressori di solito si sceglie la vibrazione, rilevata da un accelerometro (un piccolo sensore che misura il movimento) fissato vicino al cuscinetto. Cuscinetti usurati, disallineamenti e squilibri lasciano ciascuno una traccia riconoscibile.

Altri segnali comuni sono la temperatura, la corrente assorbita dal motore, lo stato dell’olio e gli ultrasuoni. Al sistema serve anche il contesto: una pompa che gira più veloce vibra in modo diverso, quindi legge pure velocità e carico dal controllore della macchina. La storia di ogni macchina viene di solito conservata in un database di serie temporali.

Come fanno AI e machine learning a prevedere i guasti?

La maggior parte dei sistemi impara com’è il funzionamento normale di ciascuna macchina e segnala quando se ne discosta; pochi arrivano a indicare una data. Il primo passo è il rilevamento delle anomalie: un modello addestrato sui dati della macchina in buona salute lancia un avviso quando le nuove letture non tornano più. Poi viene la diagnosi, che indica il guasto probabile, così il tecnico arriva con il ricambio giusto. Il passo più ambizioso stima la vita utile residua, cioè le ore o i giorni che mancano prima che il componente smetta di funzionare.

Quest’ultimo passo ha bisogno di esempi di guasti veri, e uno stabilimento ben gestito ne ha pochi. I ricercatori ricorrono quindi a dati condivisi di prove portate fino alla rottura (run-to-failure): il Prognostics Data Repository della NASA raccoglie questi dataset, e quello sui motori turbofan viene da una simulazione, non da motori reali. Manutenzione predittiva con IoT e AI spiega segnali e modelli passo per passo.

Quando conviene la manutenzione predittiva?

Conviene quando un guasto costa caro, si sviluppa in modo graduale e la squadra può agire su un avviso che arriva con giorni o settimane di anticipo. Buoni candidati sono le macchine critiche senza riserva, come il compressore principale dell’aria compressa, e le grandi flotte di macchine simili. È poco adatta alle apparecchiature economiche o duplicate, dove sostituire un’unità dopo il guasto costa meno che monitorarla, e ai guasti che arrivano senza preavviso. I progetti falliscono anche quando nessuno si fida degli avvisi: parti da poche macchine e regola gli avvisi insieme alla squadra di manutenzione. La guida all’industrial IoT la colloca tra gli altri usi dell’industrial IoT.

Chi può usare i dati quando il monitoraggio lo gestisce il produttore della macchina?

Nell’Unione europea anche il cliente ha per legge diritto ai dati, non solo il produttore. Il regolamento sui dati (Data Act), che si applica dal 12 settembre 2025 (articolo 50), consente all’utente di un prodotto connesso di accedere ai dati che il prodotto genera, gratuitamente e in un formato leggibile da dispositivo automatico (articolo 4, paragrafo 1), e di farli trasmettere a terzi, per esempio a un’altra ditta di manutenzione (articolo 5, paragrafo 1). Il regolamento considera utente sia il proprietario sia chi ha ricevuto per contratto diritti temporanei di utilizzo del prodotto, come avviene con il noleggio (articolo 2, punto 12). Chi detiene i dati, di solito il produttore o l’azienda che gestisce il monitoraggio, può usare i dati non personali solo sulla base di un contratto con l’utente (articolo 4, paragrafo 13).

Parte del Glossario IoT. Hai trovato un errore o manca un termine? Scrivici.