Mipu

Predictive Hub

Gestione & Ingegneria Manutenzione

UNA ROADMAP VERSO LA FABBRICA PREDITTIVA

by

UNA ROADMAP VERSO LA FABBRICA PREDITTIVA

Abbiamo fino qui lungamente discusso di Fabbrica Predittiva, un ambiente dove io possa valorizzare i dati già raccolti per predire cosa avverrà nel prossimo futuro e così facendo  preparare le mie risorse umane, tecniche e materiali al meglio. I vantaggi sono indubbi: produttività, sostenibilità, capacità di intercettare malfunzionamenti, supporto alle decisioni sono solo alcuni degli elementi che abbiamo raccolto dalle esperienze di chi è già partito in questo viaggio. In questo articolo spiegheremo qual è la roadmap per arrivare alla fabbrica predittiva.

La consapevolezza che un numero sempre crescente di aziende nel nostro Paese sia già all’opera per divenire fabbrica predittiva ci dà conforto e stimolo. Ma cosa possiamo fare noi e da dove cominciare per far evolvere la nostra produzione, manutenzione, energia, qualità e logistica verso un futuro oramai prossimo? 

Sono due i cantieri da avviare fin da subito. 

L’assessment

Il primo passo è quello di verificare lo stato attuale del mio sito produttivo con un assessment mirato, che definiamo Assessment della fabbrica predittiva. 

Se state pensando ad indagini lunghe o estese non è questo il caso: sulla base della nostra esperienza un massimo di 3-5 giorni per sito produttivo sono quanto basta per un quadro sufficientemente accurato della situazione. In questa prima fase analisi più estese rischiano di drenare risorse senza aumentare sensibilmente il risultato. 

Se invece avete già definito l’area sulla quale vorreste intervenire, è decisamente meglio partire con un assessment verticale. In MIPU ne abbiamo sviluppati tre tipi: 

  1. 1. Reliability Assessment: il focus è sulla gestione ed ingegneria di manutenzione. Le categorie analizzate sono 12 e comprendono aspetti gestionali, tecnici, formativi oltre che di predisposizione all’adozione di nuove tecnologie. 
  2. 2. Energy Assessment: il focus in questo caso è sulla gestione dei costi e dei consumi energetici, oltre che sull’utilizzo dell’energia quale predittore di altri fenomeni (di qualità, di manutenzione, di fruizione degli spazi, ecc).
  3. 3. IOT & AI Assessment: indagine di natura più trasversale rispetto alle precedenti; in particolare in questo assessment si verificano quali sono i dati raccolti dal campo, la modalità di raccolta, la loro fruibilità per lo sviluppo di intelligenze artificiali (bontà, granularità e profondità) oltre che tematiche relative alla sicurezza e alla governance dei dati stessi.

 

I tool per l’assessment

Ogni assessment si compone di una serie di tool utili per lo sviluppo successivo del percorso:

  1. 1. Uno spidergraph dove valutare la posizione della propria azienda in una scala assoluta. Per alcuni settori target sono disponibili delle banche dati internazionali dove è possibile valutare oltre al punteggio assoluto anche il mio posizionamento rispetto al best-in-class del mio settore. Del resto, la gestione di un fermo nel settore acciaio ha implicazioni profondamente diverse da quelle del settore manifatturiero discreto; il peso della valutazione in quella specifica categoria sarà dunque diverso. 
  2. 2. Un’analisi SWOT completa di un’analisi di costo-beneficio per le principali opportunità identificate.
  3. 3. Una roadmap a 12 e a 36 mesi, con livello di dettaglio variabile, riportante i passi da seguire e le risorse da mettere in campo per raggiungere determinati obiettivi evidenziati dall’assessment. 

 

Risulta a questo punto evidente che gli assessment di cui sopra lavorano su quella che definiremmo innovazione incrementale, ovvero una serie di passi molto specifici e concreti che accompagnano verso la fabbrica predittiva valorizzando l’esistente.

L’esperienza insegna tuttavia che il nostro quadro industriale è così frammentato e l’innovazione tecnologica così veloce, che ciò che sembra impossibile per alcuni è cosa vecchia per altri. E non è questione di dimensione o di settore. Alle volte dunque non è necessario o è addirittura sconveniente procedere solo per innovazioni incrementali.

Predictive Solution Canvas

Per questo motivo il consiglio è di attivare, unitamente all’assessment, un secondo cantiere di lavoro abilitato da uno strumento che in MIPU abbiamo sviluppato ad hoc e chiamato Predictive Solution Canvas. Esso coinvolge gli stessi partecipanti agli assessment, ma avendo cura questa volta di includere anche i loro clienti interni o esterni. L’aspetto profondamente diverso è che in questo caso i partecipanti vengono coinvolti tutti insieme in un workshop strutturato della durata di circa 6 ore e spinti a generare idee in quantità, senza focalizzarsi – almeno in un primo momento – sulla fattibilità tecnica ed economica delle stesse. 

Un po’ di storia: nel 2008, Alexander Osterwalder ha sviluppato il Business Model Canvas , che da allora ha riscosso un enorme successo nella spiegazione dei modelli di business in tutto il mondo. Quello che prima richiedeva un business plan di 30 pagine per dettagliare un’idea imprenditoriale, ora potrebbe essere catturato su una pagina.

Derivando da quella prima proposta, e sulla base di oltre 10 anni di esperienza nel tema della fabbrica predittiva, abbiamo creato uno strumento che non solo ha il merito di raccogliere esigenze ed opportunità che i CEO potranno mettere nelle loro roadmap a medio e lungo periodo, ma anche di evidenziare quick wins a cui non avevano pensato perché troppo concentrati sullo stato di fatto o sull’operatività quotidiana.    

L’aspetto interessante è che, proprio per effetto della frammentazione di cui parlavamo precedentemente,  gran parte delle idee che abbiamo visto nascere in questo tipo di workshop non erano solo già realizzabili, ma anche decisamente più economiche di quanto immaginato dai partecipanti. 

Le aree del Predictive Solution Canvas

Ma vediamo in dettaglio cos’è il Predictive Solution Canvas. Esso si compone di 3 aree principali:

  • – Generare valore
  • – Verificare l’impatto
  • – Calcolare il beneficio
Generare valore

La  prima parte del Predictive Solution Canvas si concentra sulla creazione di valore e si divide in 3 blocchi:

  1. 1. Per chi: ogni soluzione della fabbrica predittiva viene sviluppata per uno specifico target e per quello va adattata. Nel descrivere il vostro target, cercate di essere più specifici possibile. Quando intenti a costruire un troubleshooting di manutenzione, un sistema che supportasse i manutentori indicando la soluzione più adeguata per uno specifico malfunzionamento, abbiamo voluto integrare la nostra esperienza e le informazioni dei manuali della macchina con l’esperienza dei manutentori stessi. Ebbene, nonostante la richiesta di consuntivare ogni operazione di ripristino non avvenuta fosse chiara, il feedback dal campo non arrivava. Ci siamo resi conto che non eravamo stati sufficientemente specifici nel modellizzare il nostro target: i manutentori lavorano in campo e non hanno un PC nelle immediate vicinanze.  Inoltre essi indossano guanti da lavoro per cui anche la digitazione su tablet è difficoltosa. E’ stato sufficiente abilitare la digitazione vocale nel sistema di raccolta delle informazioni per aumentare drasticamente la partecipazione.
  2. 2. Attività del target: quali azioni svolge quotidianamente? Quali problemi incontra? Quali esigenze cerca di soddisfare?
  3. 3. Perché?: questo è il blocco chiave della creazione del valore. In questa fase vogliamo spingere i partecipanti a generare quante più idee possibili senza fare caso alla fattibilità delle stesse. Per ognuna della attività mappate precedentemente, è utile chiedersi: quali sono tutti gli errori che il mio utente target può commettere? Come potrebbe eseguire quella stessa attività 30 volte meglio o 30 volte più velocemente?

 

Un esempio

Una modalità decisamente più dirompente è chiedersi: quale soluzione o prodotto – se esistesse – farebbe scomparire la mia azienda in 5 anni? In altre parole, se fossi il signor Hilton, chi sarebbe il mio AirBnB?

Le risposte alle domande precedenti dovrebbero fornire la base per la generazione di molteplici idee nelle quali digitalizzazione, tecniche predittive ed intelligenza artificiale fanno da padrone.

Nel caso di UniCredit, circa 25 colleghi della funzione Real Estate hanno generato oltre 150 idee in 20 minuti; le stesse sono state clusterizzate in 5 macro categorie dalle quali sono nati 3 diversi concept. Rileggi il caso QUI.

Verificare l’impatto

La seconda parte del Predictive Solution Canvas si chiama Verificare l’impatto e si compone di due blocchi distinti: il blocco dell’AS-IS e il blocco della Fattibilità.

Il blocco dell’AS-IS

Il blocco dell’AS-IS valuta la situazione di fatto. Se ad esempio voglio ridurre i fermi macchina su una confezionatrice, nel blocco dell’AS-IS andrò a mappare quali sono gli indicatori attuali di tempo medio tra due manutenzioni consecutive (MTBM), di occorrenza e ricorrenza dei guasti, e così via.

Non sempre lo stato di fatto presenta lacune evidenti. Nel Canvas dunque non può mancare la seguente domanda: se altri lo fanno ed io no, quali saranno i costi?

Il blocco della fattibilità

Il secondo blocco nella sezione dell’impatto riguarda la fattibilità. Esso è diviso in due parti: da un lato il costo di costruzione e mantenimento della soluzione; dall’altro il costo dei dati.

Spesso la discussione che nasce a questo punto è relativa al fatto che – soprattutto parlando di intelligenza artificiale – il costo di gestione della soluzione può superare anche di un ordine di grandezza quello della sua creazione.

In questa sezione vogliamo veicolare la necessità di fare un uso consapevole dei dati: se tanti dati non risultano automaticamente in una buona intelligenza, essi di certo aumentano i costi economici ed ambientali della mia soluzione. E aggiungo ambientali perché, se il machine learning sembra una tecnologia sostenibile, esiste un’ampia letteratura che dimostra il contrario.

Calcolare il beneficio

La terza sezione del Predictive Solution Canvas prende il nome di Calcolare il Beneficio.

In questa fase le idee vengono collocate nella matrice fattibilità/impatto come rappresentato in figura.

Per le categorie no-brainers, big bets e utilities viene richiesto ai proponenti di formulare una proposta con il metodo delle user stories, così come riportato in figura.

Tale metodo, già diffuso in ambito IT, ha il merito particolare di allineare tutti i partecipanti sulle proposte emerse. Queste ultime vengono esposte in modo semplice e concreto, seppur rigoroso. La variante particolare del Predictive Solution Canvas è che in questa fase i partecipanti arrivano a calcolare il beneficio di quanto proposto, che prende la formula di:

Beneficio = Valore * Fattibilità * Impatto

Così, in un workshop di 6 ore, le basi per la fabbrica predittiva sono delineate.

E adesso?

Sembrerà incredibile, ma avendo partecipato ad oltre 100 progetti di fabbrica predittiva, possiamo con certezza affermare che a questo punto siamo oltre metà dell’opera. Definire una roadmap condivisa ed ingaggiare tutti gli stakeholders su tempi, modi ed effort sono gli elementi che negli anni hanno determinato il successo – o il fallimento – dell’intero percorso.

E’ chiaro che le fasi di esecuzione successive varino in maniera sostanziale a seconda degli obiettivi fissati e del punto di partenza. Vi sono tuttavia alcuni aspetti comuni che vale la pena sottolineare.

Team di lavoro

Il primo è la necessità di competenza di dominio: il viaggio al centro della fabbrica richiede personale che conosca in profondità le specifiche macchine ed impianti. Stabilire i meccanismi di malfunzionamento – e dunque le tecniche predittive da mettere in campo – per una macchina confezionatrice è profondamente diverso da quanto potrei ideare per un forno o per un robot tagliaerba (sono tutti esempi reali!). Se includo un fornitore esterno nel progetto, è fondamentale che anch’egli presenti questo tipo di conoscenza.

Il team di lavoro dunque avrà competenze sia in ambito di gestione e governance del dato, che in ambito tecnico specifico. E’ inoltre necessario prevedere una figura che possa valutare gli impatti organizzativi della soluzione scelta e supportare il management nel gestire il cambiamento con azioni mirate, coinvolgendo l’altro asset fondamentale per il successo del progetto, ovvero le persone.

Le persone

Se le tecnologie sono il fattore abilitante della trasformazione, sono le persone a determinare il successo del progetto nel tempo. Per questo, il secondo aspetto chiave è definire un piano di adozione e change management specifico per la realtà. Questi interventi dipendono direttamente dall’impatto complessivo del cambiamento identificato. In alcuni casi basta prevedere delle semplici sessioni di formazione e delle iniziative di comunicazione interna volte a celebrare i risultati raggiunti.

Nei casi più complessi è necessario integrare azioni di gestione delle resistenze, change assessment e coaching. Le persone, e i processi da loro gestiti, sono la chiave per la vera trasformazione: solo con il loro contributo attivo sarà possibile capitalizzare l’investimento e goderne nel lungo termine.

Progettare per il medio e lungo termine

Il terzo ed ultimo aspetto che sottolineiamo riguarda la gestione delle soluzioni nel loro ciclo di vita.

Costruire un’intelligenza è un primo passo; industrializzarla e monitorare le sue prestazioni nel tempo, intervenendo quando necessario, sono elementi che determinano – o meno – il successo dell’iniziativa e che pesano nel ritorno economico in modo sostanziale.

E’ bene qui ricordare che le soluzioni che hanno come base l’impiego dell’intelligenza artificiale presentano un decadimento delle performance all’atto della loro esecuzione decisamente importante. Inoltre le segnalazioni che arrivano dai modelli possono indicare sicuramente un cambio di comportamento su cui indagare. Esse sono anche foriere in egual misura di errori nei misuratori come offset, fondo scala, valori mancanti.

Questi aspetti vanno preventivati e gestiti per tempo, onde evitare che i vari stakeholders perdano fiducia nella soluzione e dunque i progressi fatti vanifichino. Dovremmo prevedere sia opportuni accorgimenti in fase di creazione delle intelligenze, sia azioni snelle ma continue per garantire le prestazioni della soluzione nel tempo.

Conclusione

Fino a ieri la valutazione di un’azienda si basava su persone, idee, asset fisici e finanziari. Oggi a questi asset tradizionali si sommano le intelligenze artificiali e le ulteriori opportunità che esse abilitano. Il modo in cui sapremo non solo crearle, ma soprattutto gestirle nel tempo, determinerà il valore univoco della nostra azienda. Una fabbrica più produttiva, sostenibile ed inclusiva è possibile: siamo nella Fabbrica Predittiva.

Se questo articolo ti ha colpito e vuoi approfondire l’argomento, visita il sito Fabbrica Predittiva.com.

Altrimenti, contattaci per iniziare insieme la tua roadmap per la Fabbrica Predittiva!

POLITICHE DI MANUTENZIONE:
UN NUOVO PILASTRO NELL’AGENDA DEI TOP LEVEL AZIENDALI

by

POLITICHE DI MANUTENZIONE: UN NUOVO PILASTRO NELL’AGENDA DEI TOP LEVEL AZIENDALI

Negli ultimi anni si è parlato molto di manutenzione predittiva e approcci data-driven. L’applicazione di Machine Learning e Artificial Intelligence sono stati presentati come la soluzione a tutti i problemi. Purtroppo, e ovviamente, non c’è una politica manutentiva migliore delle altre. Ogni azienda deve scegliere accuratamente il corretto mix al fine di definire la propria strategia, considerando variabili quali costo e margine di produzione, costo dei ricambi, costo del personale manutentivo, saturazione dell’impianto, criticità dell’impianto per il servizio al cliente, etc. Deve altresì valutare quale è l’infrastruttura informatica di partenza e la natura dei malfunzionamenti più frequenti. Nel seguente articolo vedremo come costruire il giusto mix di politiche di manutenzione per creare una fabbrica flessibile e antifragile.

COME È EVOLUTO L’APPROCCIO MANUTENTIVO NEGLI ANNI

La manutenzione non ha mai fatto parte dell’agenda dei CEO. Perché oggi invece più e più top level si stanno interessando al tema? Semplice: la pandemia ci ha esposti alla vulnerabilità delle nostre fabbriche, che devono rapidamente trasformarsi in flessibili e antifragili. Se il termine flessibile è chiaro, vorrei richiamare il concetto di antifragilità, ovvero la capacità di un sistema non solo di resistere alle sventure, bensì di trarne vantaggio. Manutenzione dunque non più come pura garanzia della continuità operativa richiesta, ma come chiave per l’efficienza produttiva globale e per la possibilità di adattarsi a contesti in rapida mutazione.

LE POLITICHE DI MANUTENZIONE

Le varie politiche di manutenzione seguono quella che è stata anche l’evoluzione storica dell’ingegneria di manutenzione. In semplici parole tale evoluzione è legata al livello di conoscenza dell’impianto.

MANUTENZIONE CORRETTIVA

Si parte dalla manutenzione correttiva in cui non avendo alcuna conoscenza dell’impianto, l’unico modo è di intervenire dopo il verificarsi del guasto riportando l’impianto in condizione di svolgere la funzione richiesta.

MANUTENZIONE PREVENTIVA

Successivamente, grazie ai dati raccolti sui vari guasti, si sono sviluppate politiche di manutenzione preventiva su base statistica; sulla base dei dati storici raccolti (time to failure) e grazie a dei modelli di costo, viene definito quando sostituire il componente sotto analisi per evitare il guasto. In questo caso è noto come tale politica sia applicabile solo in alcune condizioni, in particolare quando vi sono fenomeni di usura, in quanto guasti accidentali non possono essere evitati da tali sostituzioni preventive.

Un esempio è la sostituzione degli pneumatici dell’auto. In tale caso posso evitare che vi sia una rottura per usura del battistrada sostituendoli dopo un certo numero di chilometri percorsi. Non posso però evitare una foratura accidentale dovuta ad un chiodo o una buca sul manto stradale.

MANUTENZIONE SU CONDIZIONE

È anche vero che posso posticipare la loro sostituzione se conosco il loro stato di degrado analizzando in modo appropriato il livello del battistrada. In questo caso la politica manutentiva si definisce su condizione e richiede un adeguato livello di conoscenza sia dei fenomeni di usura che capacità di analizzare lo stato di degrado del componente. È importante sottolineare come l’efficacia di una politica manutentiva su condizione sia strettamente legata alla capacità di raccogliere conoscenza sullo stato di salute dell’impianto dalle diverse ispezioni e alla capacità di prevedere la vita residua in modo da poter pianificare l’intervento manutentivo in maniera economica ed efficiente. Tali politiche hanno come obiettivo primario evitare il guasto o comunque ridurre al minimo l’impatto di tale guasto sulle performance dell’impianto. Molto spesso quindi sono viste come politiche di riduzione dei costi manutentivi.

MANUTENZIONE PREDITTIVA

Negli ultimi decenni, grazie all’avvento di tecnologie quali sensori low cost e cloud computing, le aziende hanno investito sempre più nell’acquisire segnali deboli dagli impianti. Esempi sono la corrente assorbita, le temperature dei componenti, la variazione nel consumo energetico, le vibrazioni. Grazie all’analisi di questi dati è ora possibile implementare delle nuove politiche di manutenzione su condizione, dette politiche di manutenzione predittiva.

Ritornando all’esempio degli pneumatici, la non corretta tenuta di strada in condizioni normali di guida è un segnale debole (perdita di performance) che può indicare un certo degrado degli pneumatici stessi e quindi suggerire una loro sostituzione o almeno un controllo del battistrada.

Di manutenzione predittiva si è iniziato a parlare molto prima dell’avvento della quarta rivoluzione industriale, ma è grazie all’elevata capacità di raccolta dati e loro elaborazione che si riesce ora a sfruttare a pieno tale politica. La manutenzione predittiva consente non solo di intercettare difetti sul nascere ma anche di definire come utilizzare l’impianto e come manutenerlo nel migliore dei modi.

SCEGLIERE IL GIUSTO MIX

Ritornando al principale scopo di ogni azienda, generare profitto, è scontato come ogni decisione su quale politica manutentiva attuare dipenda da una analisi costi-benefici. Se la manutenzione correttiva non richiede alcun costo di investimento, essa può portare ad alti costi di fermo oltre che di riparazione. E’ da considerare inoltre il costo derivante dall’impossibilità di prevedere il momento in cui si verificherà la rottura.

Al contrario la manutenzione preventiva pianificata rischia di veicolare un falso senso di sicurezza. Ricordo a questo proposito che il ciclo di vita dei componenti meccanici ha un andamento detto “a vasca da bagno”. Esso è altresì caratterizzato da un’alta mortalità infantile. Il tema è che, quando opero la manutenzione pianificata, non so a quale punto della vasca da bagno intervengo; la mia sostituzione ha in ogni caso l’effetto di riportare ad un livello elevato la possibilità di rottura.

La manutenzione su condizione – opero quando le condizioni di verifica superano date soglie – o predittiva – calcolo la durata di vita residua del componente – si pongono l’obiettivo di  minimizzare i costi di fermo, di sostituzione e di manodopera. Esse sono oggi le tecniche che maggiormente garantiscono l’affidabilità degli impianti, intesa come la possibilità di produrre ciò che voglio, quando voglio, al miglior costo possibile.

TECNICHE PREDITTIVE DI CAMPO E DATA DRIVEN

Un aspetto spesso non considerato è che le tecniche su condizione e predittive non coincidono esclusivamente con l’applicazione dell’intelligenza artificiale alla manutenzione. In particolare, possiamo distinguere tra tecniche predittive di campo e tecniche data driven.

Se ambo le tecniche portano ampi benefici in termini di capacità di intercettare un difetto sul nascere, le tecniche predittive di campo sono oggi generalmente più accurate di quanto l’intelligenza artificiale riesca a fare quando applicate ai difetti di natura meccanica. Inoltre, esse hanno il forte vantaggio di essere meno dipendenti dallo storico dati rispetto a quanto avviene per le tecniche predittive su base AI.

 

CONCLUSIONI

La pandemia da Covid-19 ha mostrato tutta la vulnerabilità dei nostri siti produttivi. Questi sono chiamati a far fronte rapidamente a nuove richieste di prodotto, mancanza di liquidità, necessità di tele-gestione degli impianti, scarsa reperibilità del personale. In questo scenario la manutenzione è tornata come tema centrale nell’agenda dei direttori d’azienda. Essa non è più solo l’ente che “preserva”, ma diviene la funzione che “governa” la disponibilità degli impianti e la loro capacità di riconversione.

E’ possibile distinguere almeno tre politiche manutentive con le quali costruire una strategia adeguata al contesto produttivo della nostra azienda:

  • – correttiva
  • – pianificata
  • – predittiva e su condizione

Se tutte hanno vantaggi e svantaggi. È chiaro come la manutenzione predittiva e su condizione sia oggi la politica che più di ogni altra risponde alle esigenze di questo particolare contesto macro-economico.

Il tema chiave è che la manutenzione predittiva non coincide con le sole tecniche data-driven. Essa comprende anche tecniche e tecnologie che non dipendono così fortemente dalla presenza di uno storico dati. In questo senso stabilire la giusta strategia manutentiva quale insieme delle politiche di cui sopra e quali tecniche applicare tra quelle di campo e data driven è la chiave da cui partire onde evitare costosi errori.

MIPU dal 2008 lavora nel campo della Manutenzione Predittiva, accompagnando le imprese nella scelta della politica manutentiva migliore per loro. Per questo abbiamo deciso di parlare di questo argomento nel nostro libro Storie di Fabbrica Predittiva. Puoi contattarci per approfondire l’argomento e capire insieme come organizzare le attività di manutenzione nella tua realtà.

ENERGIA COME SEGNALE PER
LA PREDIZIONE DEI FENOMENI

by

ENERGIA COME SEGNALE PER LA PREDIZIONE DEI FENOMENI

Da anni ormai le aziende industriali sono impegnate nel migliorare le loro prestazioni non solo dal punto di vista economico ma anche dal punto di vista della sostenibilità, con particolare attenzione agli aspetti ambientali. In questo scenario, il consumo energetico sta assumendo un ruolo sempre più importante. Esso infatti è in grado di influenzare sia la prestazione economica che quella ambientale delle aziende. L’energia può essere analizzata come segnale per la predizione dei fenomeni.

Ciò ha portato all’interno dei siti industriali ad un notevole sviluppo dei sistemi di misura dell’energia utilizzata, non solo a livello complessivo di sito ma anche a livello di singoli impianti e macchinari di produzione. Questi dati di consumo energetico vengono solitamente rapportati all’entità del risultato del processo monitorato per definire indicatori di efficienza energetica utili a verificare il raggiungimento di obiettivi aziendali o progetti di riduzione dei consumi energetici. La conoscenza del dato energetico viene quindi utilizzata quasi esclusivamente “a consuntivo” trascurandone la capacità “predittiva” di fenomeni indesiderati come i guasti.

PRESTAZIONE ENERGETICA COME SEGNALE DEBOLE DEI MALFUNZIONAMENTI

Per un processo di trasformazione energetica infatti, il fabbisogno di energia richiesto per realizzare un dato output in definite condizioni operative misura la prestazione energetica del processo e costituisce quindi un segnale “debole”. Questo può essere utilizzato per  una rivelazione precoce di eventuali meccanismi di guasto in corso. Di conseguenza, può consentire la definizione di politiche manutentive ottimali come la manutenzione su condizione o la manutenzione predittiva.

Monitorando la prestazione energetica di un impianto o di un macchinario è quindi possibile “predire” l’avaria del sistema ed intervenire prima che essa si manifesti, evitando danni diretti ed indiretti che ne conseguirebbero e maggiori costi energetici.

I motivi sono essenzialmente due:

  • – Gli approcci alternativi possono risultare costosi (ad es. misura delle vibrazioni per il costo dei sensori o la misura della temperatura e della composizione dell’olio lubrificante per il costo delle numerose ispezioni richieste) e quindi economicamente sostenibili solo su alcune tipologie di impianti e macchinari, mentre spesso i misuratori di energia risultano già disponibili per altri scopi o comunque poco costosi;
  • – Gli approcci alternativi generalmente mirano esclusivamente ad evitare l’avaria ed i suoi effetti. Conoscendo l’impatto sulla prestazione energetica del meccanismo di guasto in corso invece è possibile prendere decisioni che tengano conto anche dei costi energetici ed obiettivi di sostenibilità ambientale. In presenza di guasti con un degrado progressivo, spesso il maggior consumo energetico nel periodo di sviluppo del guasto è notevolmente superiore al costo di intervento. 

 

L’ENERGIA COME SEGNALE DEBOLE: ASPETTI PRINCIPALI 

L’utilizzo dell’energia quale segnale debole per l’ottimizzazione delle politiche manutentive dei sistemi industriali apre dunque nuovi scenari.

E’ quindi necessario approfondire due aspetti principali:

  • – Come passare dalla misura del consumo energetico, influenzato dalla quantità di output prodotto (ad es. volume produttivo di un macchinario o metri cubi di acqua refrigerata per un frigorifero) e dalle condizioni operative (ad es. parametri di processo per un macchinario o temperatura di set point dell’acqua refrigerata per un frigorifero), alla misura della prestazione energetica, unico vero indicatore dello stato di salute del sistema?
  • – Quali sono le possibili applicazioni del monitoraggio della prestazione energetica per il miglioramento delle strategie manutentive degli impianti industriali?

A queste domande tenteremo di rispondere successivamente nell’articolo. 

DALLA MISURA DELL’ENERGIA ALLA MISURA DELLA PRESTAZIONE ENERGETICA

Il primo passo fondamentale è costituito dalla predisposizione di un sistema di monitoraggio e controllo dei consumi energetici finalizzato alla raccolta, interpretazione e comunicazione di informazioni sull’uso dell’energia al fine di misurare le prestazioni energetiche ed identificare opportunità di miglioramento.

Lo scopo del monitoraggio e del controllo è mettere in relazione i dati sul consumo di energia con le variabili in grado di influenzarlo, dipendenti dalle condizioni operative (ad es. la quantità di output realizzata o la temperatura esterna, i parametri di lavoro utilizzati come set point, e i parametri al di fuori del controllo del sistema come la temperatura esterna). Così si può ottenere una precisa comprensione della legge con la quale il sistema utilizza energia, anche detta energy baseline.

Il monitoraggio può essere applicato ad un intero impianto/reparto o anche un singolo macchinario/linea. Ovviamente osservando i singoli elementi del sistema sarà più semplice interpretare i fenomeni osservati ed individuare anomalie, guasti e le necessarie azioni per ripristinare il sistema.

Al fine di implementare un sistema di monitoraggio e controllo dei consumi energetici, è possibile seguire le fasi successive:

1. RACCOLTA E ANALISI DEI DATI DI CONSUMO

Per la predisposizione del sistema di monitoraggio è fondamentale misurare il consumo energetico ma è assolutamente importante misurare al tempo stesso le variabili rilevanti del sistema. Si intende quelle grandezze in grado di influenzare il consumo energetico soggette ad una necessaria e significativa variabilità nel tempo.

Di seguito una tabella che fornisce alcuni esempi di variabili rilevanti e fattori statici:

E’ necessario individuare, e quando possibile misurare, anche i cosiddetti fattori statici, vale a dire quelle variabili operative che potenzialmente potrebbero indurre una variazione significativa dei consumi ma che vengono generalmente mantenute costanti dal sistema intorno ad un valore di set-point (ad esempio pressione del vapore generato da una caldaia, temperatura dell’acqua fredda generata da un frigorifero o velocità di un macchinario di produzione). Queste variabili non entreranno a far parte della legge di consumo. Proprio per questo motivo sarà necessario ricordarsi che una loro variazione (desiderata o meno) sarà giustamente segnalata come un’anomalia dal sistema di monitoraggio.

La frequenza di raccolta ed analisi dei dati potrà variare dal mese alla settimana, al giorno e perfino all’ora. All’aumentare della frequenza di raccolta dei dati sarà possibile osservare e caratterizzare fenomeni che hanno scale di consumo e di tempo di evoluzione differenti.

2. DEFINIZIONE DELLA LEGGE DI CONSUMO DI RIFERIMENTO (ENERGY BASELINE)

Questo passaggio è molto delicato in quanto determina la reale efficacia del sistema di monitoraggio.

Il limite principale è dovuto al fatto che nella maggior parte dei sistemi il consumo specifico non si mantiene costante al variare dell’output prodotto. Tale comportamento introduce fluttuazioni nel valore dell’indicatore spesso superiori a quelle indotte dai fenomeni che vogliamo individuare a scopo previsionale. Un secondo limite è dovuto al fatto che in alcuni casi le variabili significative da tenere in considerazione nella legge di consumo sono più di una.

Entrambi i limiti in realtà possono essere facilmente superati utilizzando la tecnica statistica dell’analisi di regressione per determinare dai dati storici un modello statistico costituito generalmente da una semplice relazione lineare a una o più variabili. In altri termini il consumo di energia E(Δt), per un dato intervallo di tempo Δt, può essere definito come:

E (Δt) = E0 + c1·V1 + c2·V2 + …

dove E0 è la parte costante del consumo indipendentemente dalle variabili rilevanti e ci rappresenta il coefficiente di sensibilità alla variabile rilevante Vi.

L’analisi di regressione dei dati storici prevede un’iniziale verifica delle ipotesi necessarie e anche una misura dell’errore del modello matematico individuato attraverso diversi metodi. Tra questi vi è il coefficiente di correlazione, l’analisi del pattern dei valori residui e il metodo del p-value. In altri termini l’analisi ci indica se il modello matematico individuato è affidabile o meno e ci guida all’identificazione del migliore modello possibile. Spesso in questa fase è possibile individuare anomalie di funzionamento del sistema che si sono verificate nel passato. Quindi è possibile sviluppare una conoscenza più approfondita del meccanismo di consumo che sarà molto utile nella fase di controllo.

3. ANALISI DEGLI SCOSTAMENTI NEL TEMPO

Una volta che si dispone di una energy baseline sufficientemente affidabile è possibile utilizzarla per attuare un sistema di controllo nel tempo della prestazione energetica. Questo è in grado di segnalare un cambiamento della prestazione energetica del sistema che spesso è rivelatorio di meccanismi di guasto incipienti.

Per ogni periodo di tempo (ad es. ora, giorno, settimana, …) viene misurato il consumo effettivo e confrontato con il valore di riferimento calcolato sostituendo nel modello matematico (energy baseline) i valori delle variabili rilevanti misurati nello stesso periodo. Uno scostamento significativo tra tali valori indica che l’energy baseline non è più rappresentativa del funzionamento del sistema e che quindi vi è una anomalia di funzionamento. Tale controllo può essere facilmente automatizzato ed applicato in tempo reale per segnalare tempestivamente cambiamenti repentini del comportamento energetico del sistema osservato.

 Uno  strumento  utile a questo fine è la carta di controllo delle somme cumulate. Essa  riporta periodo per periodo la sommatoria di tutti gli scostamenti registrati a partire da un istante iniziale. Quindi è in grado di quantificare l’impatto determinato sui consumi dello scostamento dalla prestazione energetica di riferimento. Questo dato è molto utile per considerazioni economiche relative alla valutazione degli interventi da effettuare.

LE APPLICAZIONI DEL MONITORAGGIO DELLA PRESTAZIONE ENERGETICA ALLE STRATEGIE MANUTENTIVE 

In un impianto industriale sono molti i macchinari che possono beneficiare dell’applicazione del monitoraggio della prestazione energetica a fini manutentivi. Un aspetto molto interessante è il contributo che un sistema di monitoraggio della prestazione energetica può fornire alle diverse forme di manutenzione.

MANUTENZIONE CORRETTIVA: RILEVAZIONE DEI GUASTI CHE NON CAUSANO INTERRUZIONE DI SERVIZIO

I sistemi più complessi sono dotati di numerosi componenti e non tutti, in caso di guasto, determinano un’interruzione di funzionamento del sistema. Ciò è un vantaggio dal punto di vista della continuità di servizio ma può comportare diversi svantaggi: maggiori costi dovuti ad un maggiore consumo di energia, fermate improvvise che potevano essere evitate o il danneggiamento di altri componenti.

Ad esempio in un impianto farmaceutico, monitorando la prestazione energetica di un generatore di vapore per mezzo di una energy baseline che consentiva di valutare il consumo di riferimento di gas per tonnellata di vapore prodotto, è stato possibile individuare un foro generato nell’economizzatore ben prima della fermata periodica di ispezione. Il foro non avrebbe determinato una fermata della caldaia ma ne avrebbe peggiorato la prestazione energetica per un lungo periodo.

MANUTENZIONE PREVENTIVA CICLICA: DETERMINAZIONE DELLA FREQUENZA DI INTERVENTO

Spesso le frequenze degli interventi di manutenzione preventiva ciclica sono determinati sulla base di considerazioni economiche che prescindono dal consumo energetico. Per i sistemi il cui uso energetico è molto significativo (si consideri che sono molti gli impianti, soprattutto di servizio, che hanno nel costo energetico il costo di gran lunga più elevato nel ciclo di vita) questo approccio è decisamente penalizzante.

Il monitoraggio della prestazione energetica in tal caso può fornire le informazioni utili per considerare l’impatto sul costo energetico di una data frequenza di manutenzione. In questo modo aiuta dunque ad individuare l’effettiva frequenza in grado di assicurare il minore costo complessivo.

MANUTENZIONE IN BASE ALLE CONDIZIONI: GARANZIA DELLE CONDIZIONI DI CONSUMO

Questo tipo di applicazione rappresenta quella più attuale vista la grande attenzione prestata alla manutenzione su condizione con l’avvento dell’industria 4.0. Fino a quando il sistema permane nelle sue condizioni di funzionamento normali, la prestazione energetica si mantiene allineata alla baseline e le carte di controllo non rilevano anomalie significative. Se un sistema è soggetto a degrado delle prestazioni, il degrado determina un aumento dei consumi che viene individuato chiaramente dalle carte di controllo, ben prima del manifestarsi del fermo impianto.

La definizione di un limite di scostamento dall’energy baseline oltre il quale effettuare l’intervento di manutenzione costituisce dunque un semplice, poco costoso ma preciso ed efficace meccanismo di manutenzione su condizione che può essere facilmente automatizzato. Sono numerose le possibili applicazioni visto che tale sistema va ad individuare tutti quei modi di guasto in grado di determinare un maggiore utilizzo di energia (ad es. usura dei cuscinetti, incrostazione di scambiatori di calore, ecc.).

Un esempio di applicazione

In particolare, il metodo è stato applicato con successo agli scambiatori di calore di gruppi frigoriferi di un impianto di produzione farmaceutico.

La manutenzione di tali sistemi è particolarmente delicata in quanto il degrado delle prestazioni è rapido e significativo, tanto da minacciare dei fermi di produzione, soprattutto nei periodi estivi. Nel caso in esame approcci secondo manutenzione preventiva ciclica erano falliti per la difficoltà di definire un periodo temporale utile vista la forte dipendenza del fenomeno dal carico di lavoro dei frigoriferi, che variava fortemente nel corso dell’anno (fino a triplicare nei mesi estivi rispetto ai mesi invernali).

Anche approcci su condizione attraverso la misura delle perdite di carico nelle tubazioni non avevano fornito risultati apprezzabili per il costo delle ispezioni necessarie e la scarsa affidabilità del sistema di misura.

Dopo aver definito una energy baseline per il consumo di energia elettrica dei gruppi frigoriferi in funzione della portata di acqua raffreddata ad una definita temperatura di setpoint, è stato possibile riconoscere l’effetto sulla prestazione energetica del degrado del condensatore e stabilire un valore di soglia adeguato ad evitare i danni indotti dal fenomeno.

EFFICACIA DELL’INTERVENTO DI MANUTENZIONE

Confrontando la prestazione energetica del sistema post-intervento di manutenzione con l’energy baseline è possibile verificare l’efficacia dell’intervento di manutenzione. E’ così possibile ad esempio accorgersi di un problema nel rimontaggio (ad es. una volta è stato possibile in tal modo individuare un errore nel montaggio di una ruota conica di un ingranaggio di un macchinario che avrebbe sicuramente portato ad una grave rottura nel giro di qualche giorno) ma anche evidenziare opportunità (a valle di interventi di manutenzione preventiva spesso si registra un miglioramento della prestazione energetica talmente evidente che porta a riconsiderare le frequenze di intervento).

EFFETTO DEGLI INTERVENTI DI MANUTENZIONE MIGLIORATIVA

Infine, monitorando la prestazione energetica è possibile valutare l’efficacia degli interventi di manutenzione migliorativa effettuati sugli impianti. Confrontando il consumo energetico post-intervento con il consumo energetico di riferimento desumibile dalla baseline pre-intervento è possibile misurare l’impatto energetico dell’intervento.

In questo modo è stato possibile ad esempio individuare su una pressa di stampaggio un aumento dei costi energetici di circa 2000€/mese a fronte di un intervento sul sistema di accensione e spegnimento delle serpentine di riscaldamento dell’olio lubrificante. A seguito della segnalazione i tecnici di manutenzione intervennero nuovamente sul macchinario risolvendo il problema e portando il consumo energetico al di sotto dell’energy baseline iniziale. Questa applicazione risulta di particolare utilità ovviamente quando gli interventi sono finalizzati al risparmio energetico. In tal modo è infatti possibile misurare a consuntivo il risparmio ottenuto.

CONCLUSIONI E SVILUPPI FUTURI

Attualmente le informazioni provenienti dai sempre più diffusi sistemi di misura dell’energia sono sottoutilizzate poiché guardate solo come indicatori di prestazione. Il loro utilizzo come segnale “debole” di guasti che non causano il fermo impianto o di guasti incipienti può costituire in molte applicazioni la soluzione per introdurre forme di manutenzione più efficaci ed efficienti; prima tra tutte la manutenzione su condizione.

Per quanto riguarda gli sviluppi futuri, diversi sono i fronti aperti. Da una parte i metodi per la definizione dell’energy baseline e l’analisi degli scostamenti, con la possibilità di ricorrere a sistemi di intelligenza artificiale più avanzati. Questi sono basati ad esempio su reti neurali nei casi in cui i meccanismi di consumo siano particolarmente complicati (numero di variabili e non linearità). Oppure quando il numero di elementi per cui debba essere sviluppata l’energy baseline è troppo elevato per non ricorrere ad un sistema di generazione automatico (ad es. per le stazioni radio base).

Dall’altra parte lo sviluppo del sistema di monitoraggio, andando oltre la rilevazione dell’anomalia, arriva alla diagnosi automatica del guasto (sistemi di riconoscimento basati su intelligenza artificiale che utilizzano ulteriori grandezze misurate in tempo reale). Infine lo sviluppo di funzioni decisionali automatizzate in grado di definire come intervenire arrivando quindi, laddove possibile, alla manutenzione prescrittiva.

Se vuoi approfondire i temi della predizione e le sue applicazioni, visita il sito Fabbrica Predittiva oppure contattaci per organizzare un incontro.

 

PREVISIONE DELLA PRODUZIONE NELL’INDUSTRIA DEL MOBILE,
UNA SFIDA DALLE MOLTEPLICI DIMENSIONI

by

PREVISIONE DELLA PRODUZIONE NELL’INDUSTRIA DEL MOBILE, UNA SFIDA DALLE MOLTEPLICI DIMENSIONI

 

L’Italia è ancora oggi tra i maggiori esportatori di mobili del mondo ed è il primo nell’alto di gamma, con una quota del 30%.  Per poter mantenere una posizione di leadership, tuttavia, non è più possibile contare solo su design e creatività: i clienti desiderano lavorazioni uniche e di qualità, personalizzazione spinta e – un fatto dato per scontato – assoluta puntualità nella consegna. 

Nel caso di seguito abbiamo lavorato per supportare un produttore di mobili di lusso nell’affinare le sue previsioni in tre ambiti: la domanda del mercato, la capacità produttiva e il fabbisogno logistico. Per farlo abbiamo sviluppato una pluralità di intelligenze artificiali, come riassunto in figura.

Tipicamente, quando si parla di produzione predittiva, si immagina in primis una migliore previsione della domanda. 

D’altronde le aziende raccolgono già i dati sulla domanda in modo costante. Inserire tali dati in un algoritmo di apprendimento automatico può migliorare decisamente la qualità della previsione in termini non solo di volume, ma anche di cosa sarà richiesto quando e dove. Grazie a questo tipo di intelligenze possiamo ridurre sensibilmente la sovrapproduzione, sia perché produciamo solo quanto “verrà desiderato”, sia perché lo produciamo solo quando “verrà desiderato”.

Nel caso da noi sviluppato, l’inventory carrying cost (ovvero il costo della gestione e della conservazione dei prodotti invenduti o in attesa di essere venduti), è stato ridotto del 20% rispetto alla media dei 12 mesi precedenti all’implementazione della soluzione.

LA PIANIFICAZIONE DELLA PRODUZIONE

Un ambito di lavoro meno esplorato rispetto a quello della previsione della domanda è la pianificazione della produzione. Questo perché, nonostante vi siano numerose possibilità per esaminare eventuali interruzioni o inefficienze nei cicli produttivi, non sempre questi risultano in una risposta univoca. Allenare delle intelligenze in questa direzione è più sfidante.

In particolare, creare un motore a supporto delle decisioni del planner di produzione significa gestire:

  1. 1. la disponibilità delle macchine ed i loro assetti
  2. 2. la disponibilità di persone e materiali
  3. 3. la risposta della produzione alla domanda, sia in termini di volumi che di tipologie di prodotto

Il motore di ottimizzazione gestisce i diversi scenari e presenta al planner la soluzione più idonea in funzione dei vincoli e delle condizioni imposte. Il planner può anche simulare scenari alternativi, fissare nuovi vincoli o semplicemente scartare la soluzione proposta a favore di una ritenuta più adeguata.

La qualità potrebbe essere un ulteriore criterio di ottimizzazione. Semilavorati con difetti di qualità che procedono lungo la linea di produzione sono un problema che, intercettato subito, potrebbe impattare positivamente nel planning.

PREVISIONE DELLA CAPACITÀ PRODUTTIVA E MONITORAGGIO DELLA QUALITÀ

Infine, nell’industria del mobile produzione e logistica sono intimamente connesse. Un’accurata previsione della capacità produttiva risulta nella possibilità di gestire al meglio il fabbisogno logistico, mentre il monitoraggio predittivo della qualità ha un impatto diretto sui resi, i quali possono essere ridotti anche del 10%. Nello specifico, un’accurata previsione sia della capacità produttiva che del fabbisogno logistico permette una migliore programmazione dei trasporti, diminuendone il costo totale e permettendo di ottenere migliori condizioni contrattuali nel caso di affidamento ad operatori logistici esterni. A seconda della specifica situazione iniziale, i benefici economici possono rientrare in un intervallo compreso tra il 10%, quando la logistica già presenta un buon grado di ottimizzazione, e il 60%, nei casi estremi in cui la logistica non è affatto ottimizzata.

IL NOSTRO APPROCCIO

L’approccio che usiamo non mette al centro solo le tecnologie e i loro possibili risultati, ma anche e soprattutto le persone. Un piano di questo tipo non può prescindere da attività di ingaggio e di adozione che permettano di diminuire il tempo di trasformazione organizzativa. La gestione del cambiamento viene fatta tramite iniziative di comunicazione interna, di formazione e di gestione delle resistenze. Nel caso specifico sono state attivate formazioni a distanza, coaching individuali e un business game in presenza per la fase di pianificazione e schedulazione. La modalità del gioco è stata apprezzata dal 93% dei partecipanti, contro una media dell’81% nelle altre attività.

Se vuoi organizzare anche tu un piano di formazione e trasformazione digitale, contattaci e richiedi un appuntamento. Comprenderemo le tue esigenze e proporremo un percorso personalizzato verso la Fabbrica Predittiva.

LE TRE PAROLE CHIAVE DI UNA PRODUZIONE PREDITTIVA

by

LE TRE PAROLE CHIAVE DI UNA PRODUZIONE PREDITTIVA

L’industria 4.0 è emersa come lo scenario perfetto per aumentare l’applicazione di nuove soluzioni di intelligenza artificiale e apprendimento automatico per il monitoraggio e l’ottimizzazione dei processi industriali. Inoltre, la pandemia richiede alle aziende di accelerare la loro transizione verso una produzione predittiva e resiliente. Di seguito esploriamo cosa significano questi due termini nel dettaglio.  Inoltre, elenchiamo una serie di esempi già industrializzati con i quali abbiamo supportato le aziende italiane nella loro trasformazione verso una produzione predittiva, flessibile e resiliente.

I CAMBIAMENTI DELLA PRODUZIONE

La pandemia di Coronavirus è una crisi umanitaria che continua a pesare tragicamente sulla vita delle persone e che sta configurando una nuova normalità sotto diversi aspetti: umani, sociali ed economici. Focalizzandoci in particolare sulla produzione industriale, i fattori di maggiore incertezza che sono emersi durante questi mesi per il sistema industriale sono: 

  • – l’improvvisa disarticolazione delle supply chain a causa di mancati flussi in entrata di materie prime, componenti e semilavorati, con perdite di produzione fino alla chiusura delle aziende; 
  • – il cambiamento delle attitudini di spesa dei consumatori, sia per la contingenza del lockdown che ha portato a cercare alcuni prodotti piuttosto che altri, sia per problemi di liquidità legati all’incertezza del lavoro. Questo ha portato a concentrare le spese sui beni di consumo, riducendo drasticamente qualsiasi tipo di investimento in beni durevoli;
  • – la mancanza di liquidità e l’incertezza dei mercati che hanno portato a limitare gli investimenti di lungo termine.

Non si può d’altro canto negare che la pandemia agisca anche da catalizzatore per il cambiamento – economico, sociale, personale e aziendale – su una scala mai vista dai tempi della guerra.

UNA PRODUZIONE RESILIENTE E FLESSIBILE

La ricerca e l’esperienza dimostrano che le aziende che agiscono con una mentalità a ciclo continuo saranno nella posizione migliore per uscire dalla recessione. Nelle recessioni del 2007-2008, il primo quintile di società era in vantaggio di circa 20 punti percentuali rispetto ai concorrenti mentre si avviava alla ripresa in termini di rendimento totale cumulativo per gli azionisti (TRS). Otto anni dopo, il loro vantaggio era cresciuto fino a superare i 150 punti percentuali. 

Per questa ragione riteniamo che, tra i molti aspetti degni di attenzione, i seguenti dovrebbero avere priorità nell’agenda di ogni CEO e COO:

      • – produzione resiliente: una produzione capace di adattarsi a rapidi cambiamenti di mercato e di far fronte in maniera positiva ad eventi traumatici – come, ad esempio, il lockdown da Covid-19 e le sue implicazioni sulla supply chain. Riteniamo che nell’ambito della produzione resiliente rientrino anche le caratteristiche di flessibilità e agilità non solo della singola azienda, ma anche della filiera, la quale – riprendendo l’esempio dello space challenger fatto in un altro articolo – dovrà garantire un comune livello di affidabilità in ogni sua maglia. 
      • – produzione predittiva: la capacità di sfruttare i dati già raccolti nei nostri dcs, scada, plc e in genere dal campo per alimentare intelligenze che consentano di prevedere il prossimo futuro e dunque riconfigurare il presente alla luce delle nuove esigenze. 

        • PRODUZIONE RESILIENTE

        Per quanto riguarda la produzione resiliente, individuiamo di seguito quali  sono i parametri di valutazione e dove MIPU ha impiegato l’AI per accelerare la transizione:

        PRODUZIONE PREDITTIVA

        Parlando di produzione predittiva rileviamo tre pilastri fondamentali:

            • – la previsione della domanda di produzione, in modo tale da guadagnare tempo sull’organizzazione della stessa. Lo scopo è quello di ottimizzare i costi, gli acquisti di materie prime ed in generale le risorse dedicate a questa attività;
            • – la previsione del funzionamento delle macchine che garantiscono la produzione stessa. Tale previsione include sia la disponibilità di macchine ed impianti, che l’efficienza di lavorazione, ovvero il rapporto tra il numero totale di pezzi prodotti e quelli teoricamente producibili;
            • – la previsione della qualità della produzione, a sua volta riconducibile non solo al corretto funzionamento della macchina, ma anche alla corretta gestione degli impianti e al controllo del materiale di lavorazione.

        Disponibilità, efficienza e qualità sono di fatto componenti dell’Overall Equipment Effectiveness, indicatore sistemico dell’efficacia di  produzione. Nel seguito approfondiremo il tema dell’efficacia di produzione, escludendo per amor di sintesi la previsione della domanda dal tema della fabbrica predittiva.

        COME PUÒ L’INTELLIGENZA ARTIFICIALE AIUTARE LA PRODUZIONE A DIVENIRE PREDITTIVA?

        Abbiamo provato a confrontare un sistema di produzione standard con uno basato sull’intelligenza artificiale.

        Introduciamo alcuni semplici esempi di come l’AI impatti nel processo di produzione:

            • – Setup: possiamo migliorare il tempo necessario per impostare o adattare l’ambiente, le linee e gli strumenti quando arriva un nuovo ordine di lavoro, considerando i risultati di precedenti esperienze simili. Poiché siamo in grado di farlo in meno tempo e in modo più efficace, stiamo influenzando la disponibilità degli asset e, di conseguenza, migliorando l’OEE.
            • – Deviazioni del processo: l’intelligenza artificiale consente la previsione della qualità basandosi sui parametri di processo. Questi ultimi combinati con l’ottimizzazione in tempo reale dei parametri di esecuzione, si traducono in risultati di migliore qualità e riduzione degli scarti, ancora una volta, migliorando l’OEE.
            • – Manutenzione: la manutenzione predittiva ci consente di pianificare e fornire i pezzi di ricambio necessari in modo da ridurre al minimo l’impatto sulla produzione. Con questa gestione miglioriamo la disponibilità e, di conseguenza, anche l’OEE.

        Anche altri indicatori di produttività possono essere molto utili quando si valuta un processo di produzione e si analizza il modo in cui le soluzioni AI e ML possono fornire vantaggi tangibili. In particolare evidenziamo attraverso degli esempi i campi nei quali l’applicazione dell’AI risulta di particolare favore.

        INDICATORI DI PRODUTTIVITÀ

            • – Parte prodotta buona / operatore. Un esempio che ci capita spesso è quello di direttori di produzione o di manutenzione che ci pongono il seguente quesito: “io so che l’operatore AA sarà più efficace o, nel caso di manutenzione, più risolutivo, dell’operatore BB. Vorrei capire quali azioni formative, di supporto o di monitoraggio attivare verso BB e quando, per fare in modo che sia efficace quanto AA“. In altre parole, il CXO chiede che l’intelligenza artificiale attivi ciò che gli economisti comportamentali e premi Nobel Thaler e Sunstein chiamano “the nudge”, una spinta gentile. Con MIPU abbiamo elaborato soluzioni di supporto all’operatore che, nel rispetto dell’individualità di ciascuno, aiutino a raggiungere un comune standard di efficacia. Abbiamo replicato gli stessi sistemi in ambito medicale, usando l’AI per attivare delle azioni (messaggi whatsapp, email, telefonata dal medico) che supportassero i pazienti ad essere maggiormente compliant alla terapia prescritta.
            • – Parti prodotte buone / parti prodotte totali (scarti, configurazione, test, ecc.): la previsione continua della qualità in ogni fase del processo di produzione mediante apprendimento automatico e intelligenza artificiale, consente avvisi e allarmi predittivi anche prima che la qualità target sia influenzata e quindi l’indicatore di qualità dell’OEE sia degradato. Due diversi approcci possono essere implementati quando si sviluppano strumenti di qualità predittiva dell’AI: soluzioni supervisionate e non supervisionate. Le soluzioni supervisionate possono fornire una migliore accuratezza nella previsione di deviazioni di qualità indesiderate, ma è necessario un set di dati adeguatamente etichettato. I metodi non supervisionati hanno il vantaggio di non richiedere il set di dati con tag. Vengono generalmente utilizzati per il rilevamento di anomalie, il che significa forti deviazioni di qualità. Inoltre, i risultati del sistema supervisionato possono essere rintracciati e analizzati. Così si possono ottenere informazioni sui processi che possono portare alla scoperta di soluzioni per affrontare la causa principale della deviazione di qualità indesiderata.

        INDICATORI DI CONSUMO

            • – Consumo di materiale (MC): peso del materiale consumato per unità di tempo. Gli esempi di utilizzo dell’AI sono molteplici, in particolare si vedano i successivi esempi relativi alla qualità e all’energia. Altri casi da noi sviluppati di applicazione dell’AI relativi al consumo di materiale riguardano:
            • – Utilizzo di machine learning e machine vision per ispezione e caratterizzazione dei materiali di ritorno per il riuso;
            • – Tracciabilità di materiali e componenti e supporto agli operatori nella valorizzazione dell’economia circolare anche cross-settoriale con sistemi che, pur rispettando la riservatezza, consentano integrazione di informazioni;
            • – Previsione della logistica inversa e logistica integrata;
            • – Consumo energetico specifico: in questo caso rimandiamo la trattazione alla sezione energia del volume.

         

        CHI DEVE COSTRUIRE E GESTIRE L’AI PER LA PRODUZIONE?

        Secondo uno studio Deloitte, il 91% dei progetti AI non ha incontrato le aspettative dei richiedenti. Questo è da attribuire a due motivi.

        Il primo: supponiamo che io voglia determinare se insorgerà un problema in uno degli stadi di una turbomacchina e per quale ragione. La competenza per questo tipo di applicazione risiede tipicamente nel costruttore o in chi pone la macchina in esercizio; tuttavia, l’AI è tipicamente sviluppata da data scientist che difficilmente hanno sviluppato questo tipo di esperienza e linguaggio.

        Il secondo motivo è che, anche ammesso che l’intelligenza artificiale venga costruita e sia efficace al momento zero, necessita di essere continuamente gestita e allenata per mantenere le performance nel tempo o adeguarsi a nuove aspettative.

        Per queste ragioni riteniamo che la possibilità di costruire e gestire intelligenze artificiali vada estesa al personale dedicato alle operations and maintenance. Se vi sembra utopistico, pensiamo un momento ai primi siti web. Essi erano costruiti da informatici con anni di esperienza. Oggi, dopo l’avvento dei sistemi what you see is what you get, nessuno si sognerebbe più di identificare nel codice informatico l’elemento chiave della costruzione di un sito web.

        REBECCA AI

        Con la piattaforma software Rebecca, MIPU  si è proposta di diminuire l’effort conoscitivo, il tempo, il costo ed il rischio di errore insiti nello sviluppo e gestione di AI industriali.

        Da un lato, nella parte Builder, supporta la creazione di AI senza richiedere competenze informatiche: non serve, dunque, saper programmare in Python. Dall’altro lato, nella parte di Innest e Frame, la piattaforma aiuta a gestire le intelligenze durante il loro ciclo di vita. Con essa si monitora chi le ha create, quando e dove sono state messe in esecuzione, se mantengono le loro performance o se vanno riaddestrate.

        Naturalmente chi è in grado di scrivere codice può inserirlo direttamente in piattaforma, senza risultare vincolato agli algoritmi già presenti. In quest’ottica Rebecca rappresenta un punto di incontro tra il personale di produzione, l’IT e i data scientist.

        Oggi il valore di un’azienda sul mercato è dato dalle competenze delle persone, dagli asset posseduti e dalle disponibilità finanziarie. Domani a questi driver di competitività si aggiungeranno le intelligenze artificiali che l’azienda ha saputo costruire e manutenere nel tempo. Un vantaggio competitivo che dobbiamo conquistare nel breve, “whatever it takes”!

        IN CONCLUSIONE

        Oggi il valore di un’azienda sul mercato è dato dalle competenze delle persone, dagli asset posseduti e dalle disponibilità finanziarie. Domani a questi driver di competitività si aggiungeranno le intelligenze artificiali che l’azienda ha saputo costruire e manutenere nel tempo. Un vantaggio competitivo che dobbiamo conquistare nel breve, “whatever it takes”!

        La pandemia ha mostrato la necessità di pensare a nuovi metodi di produzione, in grado di rendere le imprese resilienti e predittive. Per la realizzazione di un’impresa resiliente abbiamo proposto un assessment veloce sul quale ogni azienda dovrebbe lavorare. Abbiamo inoltre elencato gli ambiti nei quali l’intelligenza artificiale può intervenire.

        Per quanto riguarda la fabbrica predittiva, abbiamo indicato nell’OEE un indicatore sintetico da monitorare.  Abbiamo infatti elencato esempi concreti di applicazione dell’intelligenza artificiale al miglioramento di ogni componente dello stesso.

        Speriamo in un’azienda che estenda l’opportunità di partecipare alla costruzione di intelligenze artificiali industriali a tutti i suoi lavoratori in un’ottica di intelligenza collettiva e partecipata. Questa è la vera chiave competitiva per la transizione al next-normal.

        Se sei interessato a questo tema, visita il nostro sito Storie di Fabbrica Predittiva o iscriviti alla newsletter. In questo modo potrai ricevere inviti ai nostri webinar gratuiti e riferimenti periodici ad altri articoli. Altrimenti contattaci per parlarne insieme!

ANALISI RAMS: DALLA PROGETTAZIONE ALLA GESTIONE DEGLI IMPIANTI

by

ANALISI RAMS: DALLA PROGETTAZIONE ALLA GESTIONE DEGLI IMPIANTI

 

Nel seguente articolo verrà illustrata l’analisi RAMS per l’industria, in particolar modo le fasi dalla progettazione alla gestione degli impianti.

Uno studio RAMS (Reliability, Availability, Maintainability and Safety) può essere utilizzato nelle fasi iniziali di un progetto per influenzare e modificare la progettazione iniziale dell’impianto, nelle fasi successive per supportare lo sviluppo di strategie di manutenzione e valutazioni del carico di lavoro. Ancora, nella fase di gestione di un sistema ottimizzando la produzione e il management delle risorse.

Nello specifico, quali sono i quattro aspetti fondamentali che determinano questo tipo di analisi?

  1. 1. Affidabilità: garantire una continuità nel servizio del sistema che si progetta, si produce o si gestisce.
  2. 2. Disponibilità: ridurre al minimo il fermo macchina, ottimizzare la produzione e garantire la risposta immediata della macchina quando è chiamata ad intervenire.
  3. 3. Manutenibilità: garantire il rapido ripristino dei componenti guasti.
  4. 4. Sicurezza: produrre ed operare riducendo al minimo i rischi per gli operatori, la popolazione e l’ambiente.

 

…e gli obiettivi?

  • – Incrementare la disponibilità, l’affidabilità e la sicurezza del sistema.
  • – Favorire la raccolta dati dal campo e la relativa gestione/trattazione statistica.
  • – Selezionare le politiche manutentive ottimali.
  • – Supportare l’organizzazione della logistica (magazzini, officine).
  • – Pianificare accuratamente le ispezioni.
  • – Supportare la selezione e l’acquisizione di sistemi ad elevata manutenibilità.

 

METODOLOGIA

Vediamo adesso, nello specifico, in cosa consiste la metodologia RAMS.

I nostri clienti, con cui abbiamo sviluppato progetti di RAM Analysis, agiscono in diversi settori industriali (petrolifero, chimico, manifatturiero, trasporti). Al fine di raggiungere i suoi obiettivi uno studio RAM necessita della presenza di dati rappresentativi di affidabilità (MTTF) e di riparazione (MTTR) provenienti direttamente dal campo (CMMS), dal fornitore (test con prove al banco) o da banche dati commerciali (OREDA, MIL, EIREDA, RAC).

L’analisi RAMS mira a quantificare da un punto di vista probabilistico le prestazioni del sistema ed individuare gli elementi tecnici, operativi e manutentivi che indeboliscono il sistema al fine di indirizzare azioni progettuali o gestionali migliorative (ridondanze, protezioni, manutenzione preventiva, formazione del personale). In particolare consente di determinare gli effetti dei tempi di fermo programmati e non programmati sul rendimento del processo, stabilendo relazioni tra affidabilità delle apparecchiature, configurazione, strategia di manutenzione, ricambi e risorse manutentive impiegate.

FASI DI LAVORO

Un’analisi RAM si compone di varie fasi di lavoro.

  1. 1) Raccolta e definizione di tutte le macchine coinvolte nell’analisi.
  2. 2) Raccolta dei dati di affidabilità e manutenibilità per ciascuna modalità di guasto riferita ad ogni singola macchina coinvolta nell’analisi.
  3. 3) FMEA (Failure Mode and Effect Analysis): identificazione dei potenziali punti deboli del sistema a livello di singola modalità di guasto di ciascuna apparecchiatura e determinazione degli effetti in termini di perdita di produzione.
  4. 4) Analisi di manutenibilità: stima del tempo di inattività totale per ogni modalità di guasto di ciascuna macchina dovuta a manutenzione correttiva.
  5. 5) Pianificazione campagne di manutenzione ispettiva e preventiva: stima del tempo di inattività dell’intero impianto o di parti di esso dovuto a fermate di manutenzione programmata.
  6. 6) Sviluppo RBD (Reliability Block Diagram): l’impianto viene convertito in una rete logica complessa, composta da blocchi e da nodi, collegati tra loro in serie e in parallelo a seconda della relazione funzionale, ciascuno con il proprio contributo alle prestazioni dell’intero sistema.
  7. 7) Analisi di disponibilità grazie all’utilizzo di specifici software di simulazione (Maros DNV GL o RAMP) in grado di restituire un’immagine statistica della vita del sistema, fornendo una stima di alcuni parametri come l’indisponibilità, il numero di guasti previsti, la produzione annuale raggiunta, sia per l’intero sistema e sia a livello di singoli componenti.
  8. 8) Identificazione delle apparecchiature più critiche attraverso un processo di valutazione della criticità basato sulla frequenza di occorrenza del guasto e sull’impatto provocato da esso in termini di produttività.
  9. 9) Stima del carico di lavoro per le attività di ispezione, manutenzione preventiva e manutenzione correttiva e definizione preliminare della tipologia, composizione e numerosità delle squadre di manutenzione, in considerazione di eventuali limitazioni in termini di gestione delle manutenzioni parallele, aree di manutenzione ed eventuali vincoli di sicurezza.

 

MODELLAZIONE

Passaggio chiave di questo tipo di analisi è la costruzione del Reliability Block Diagram (RBD), il diagramma a blocchi che consente il calcolo dell’affidabilità del sistema data l’affidabilità degli elementi che lo compongono.
Ogni blocco in un RBD rappresenta un componente o sottosistema del sistema. L’organizzazione dei blocchi e le linee di collegamento tra di essi rappresentano la struttura di affidabilità del sistema.

Figura 1. Reliability Block Diagram

Un caso di studio

In Figura 1 è riportato un esempio di RBD, costruito per un impianto complesso di trattamento e trasformazione di materiale di scarto in diversi prodotti utili, destinati al settore energetico. All’interno di ciascun nodo si sviluppano con struttura ad albero i sottosistemi, a rappresentare le varie unità dell’impianto, di processo e ausiliarie. Ciascun sottosistema è composto dalle singole macchine, accompagnate dalle relative modalità di guasto, ognuna con i propri valori di manutenibilità e di riparazione.

Oltre ai dati riferiti alla manutenzione correttiva, vengono inserite, a livello di sistema o sottosistema le fermate programmate di preventiva, con la propria frequenza e la propria durata.
Vengono inoltre impostati ulteriori parametri come la vita utile del sistema, i profili di produzione attesi e il numero di risorse necessarie per completare gli interventi di correttiva e di preventiva, suddivise per disciplina, in modo da verificare la sostenibilità della manodopera prevista.

 

Figura 2. Fotogramma del processo di simulazione sul software di modellazione. Numero di simulazioni vs Prestazione del sistema ad ogni ciclo (n=1000).

 

Risultati

Vediamo adesso i risultati dell’analisi RAMS, dalla progettazione alla gestione di impianti.

In sintesi, il software di modellazione genera un report, restituendo una grande quantità di risultati.
Nello specifico caso (Figura 3) la disponibilità operativa dell’impianto è pari al 97,5%, equivalente ad un 2,5% di indisponibilità. L’impianto, in media, si trova fuori servizio nove volte l’anno, con una durata media di fermo produzione di circa 38 ore. Vengono inoltre riportati i volumi prodotti di ciascun flusso in uscita dal sistema.

Figura 3. Performance Summary

In aggiunta, il grafico (Figura 4) riporta un dettaglio sull’ efficienza di produzione annuale, lungo l’intera vita dell’impianto (15 anni); sono distinte la quota prodotta (in verde) e la quota persa (in blu) a causa dei fermi impianto, accidentali e programmati.

Figura 4. Efficienza produttiva annuale (%) vs Volume annuale prodotto finale (ton)

Questi software calcolano inoltre il contributo all’indisponibilità totale di impianto da parte di ciascuna unità funzionale e di ogni singolo asset che vi appartiene, evidenziando così le parti più critiche dell’impianto, sulle quali implementare possibili soluzioni di miglioramento per aumentare la disponibilità e la produzione annuale.

Benefici

Nel caso specifico è stata realizzata, a valle dello studio RAM, una “Sensitivity Analysis” che ha permesso di evidenziare le parti più critiche dell’impianto e di proporre su di esse soluzioni alternative in grado di migliorarne la disponibilità.
Gli sforzi si sono concentrati sulle unità di processo (Figura 5), nelle quali alcune pompe centrifughe a monte delle linee di produzione erano in grado di mettere fuori servizio l’intero processo produttivo in caso di guasto. Non solo, anche il sistema dedicato alla filtrazione del prodotto possedeva una configurazione priva di ridondanza (1×100%).

Figura 5. Contributo relativo di indisponibilità delle unità di processo.

 

 

CONCLUSIONE

Abbiamo visto come le analisi RAMS sono utilizzate dalla progettazione alla gestione di impianti. Queste ultime sono utilizzate come driver per decidere le politiche/strategie manutentive migliori. In tal modo si avrà una corretta gestione della manutenzione industriale e quindi una maggiore disponibilità ed affidabilità degli impianti.

In conclusione, la corretta gestione della manutenzione nasce fin dalla prima fase di vita di un impianto, ovvero dalla sua progettazione. Pertanto verificare ed assicurare fin da subito un’elevata disponibilità dell’impianto che si andrà ad installare e quindi garantire un determinato target di produzione permettono di valorizzarne l’investimento iniziale. Se sei interessato ad approfondire visita la nostra pagina di ingegneria di manutenzione oppure contatta direttamente i nostri esperti: