Un fermo improvviso su una linea non costa soltanto le ore di produzione perse. Può generare ritardi nelle consegne, materiale da scartare, interventi urgenti più costosi e una pianificazione che salta per più reparti. Un esempio di manutenzione predittiva industriale efficace parte proprio da qui: usare i segnali già...
Esempio di manutenzione predittiva industriale su una linea di confezionamento
Consideriamo una linea di confezionamento con un trasportatore motorizzato, una formatrice e una stazione di saldatura. Il riduttore del trasportatore è un componente critico: se si blocca, l’intera linea si ferma. La manutenzione tradizionale può seguire due approcci poco efficienti. Il primo è correttivo, quindi si interviene dopo il guasto. Il secondo è preventivo a calendario, sostituendo olio o componenti dopo un numero fisso di mesi o ore.
In questo scenario, la manutenzione predittiva osserva invece il comportamento reale del gruppo motore-riduttore. Dal PLC si acquisiscono il tempo di funzionamento, la corrente assorbita dal motore, la velocità effettiva e gli stati di allarme. Si aggiunge un sensore di temperatura sulla carcassa del riduttore e, quando la criticità lo giustifica, un sensore di vibrazione.
Dopo alcune settimane di funzionamento, i dati mostrano che, a parità di formato prodotto e velocità linea, la corrente media del motore aumenta gradualmente. Nello stesso periodo, la temperatura del riduttore supera più spesso il proprio valore abituale e le vibrazioni presentano un incremento su una specifica banda di frequenza. Nessun allarme macchina è ancora attivo e la produzione continua, ma la combinazione dei segnali indica una possibile usura di cuscinetti, lubrificazione non ottimale, disallineamento o aumento dell’attrito meccanico.
Il responsabile manutenzione non riceve un generico avviso di “anomalia”. Riceve un evento contestualizzato: incremento della corrente rispetto al riferimento operativo, temperatura sopra la soglia dinamica per un tempo definito, trend vibrazionale in crescita e numero di ore residue previste fino alla prossima finestra programmata. Può quindi pianificare un controllo durante il cambio formato o una fermata già prevista, verificare il lubrificante e sostituire il componente prima del fermo.
Questo è il valore concreto della manutenzione predittiva: ridurre l’incertezza nella scelta del momento di intervento. Non promette di azzerare ogni guasto, ma permette di passare da una gestione reattiva a una manutenzione basata sull’evidenza.
Dal segnale grezzo alla condizione reale della macchina
Un singolo valore raramente è sufficiente. Una temperatura di 65 °C può essere normale su una macchina in estate, con produzione elevata e carico costante, ma anomala se la linea lavora a bassa velocità. Allo stesso modo, un aumento di assorbimento può dipendere dal prodotto, dal formato o da un accumulo temporaneo sul trasportatore.
Per questo l’analisi deve mettere in relazione i parametri tecnici con il contesto produttivo. I dati del PLC vanno letti insieme a stato macchina, ricetta, velocità, pezzi prodotti, microfermate, scarti e turni. Una condizione predittiva affidabile non è “corrente oltre soglia”, ma ad esempio: corrente superiore del 15% al valore medio rilevato negli ultimi 30 cicli comparabili, con velocità invariata e temperatura in aumento.
La qualità del dato è quindi più importante del volume. Se i tag sono acquisiti senza sapere quando la macchina era ferma, in setup, in lavaggio o in produzione, il rischio è generare falsi positivi. Se invece ogni misura è associata a un evento e a un contesto, diventa possibile distinguere un comportamento fisiologico da un’anomalia tecnica.
Quali dati usare per prevedere un guasto
La scelta delle variabili dipende dal componente, dalla macchina e dal costo del fermo. Per una pompa, pressione, portata, assorbimento e vibrazione sono spesso più significativi del semplice conteggio ore. Per una pressa possono contare tempi ciclo, posizione, pressione idraulica, temperatura olio e frequenza degli allarmi. Su un impianto frigorifero, temperature, pressioni, cicli del compressore e consumo energetico aiutano a riconoscere rendimenti in deterioramento.
Un progetto ben impostato seleziona i segnali che rispondono a tre domande operative: il componente sta cambiando comportamento? Il cambiamento supera la normale variabilità del processo? L’intervento può essere pianificato prima che il rischio diventi fermo o difetto di qualità?
Non tutti gli asset meritano lo stesso livello di monitoraggio. Un motore facilmente sostituibile, disponibile a magazzino e non vincolante per la linea può essere gestito con manutenzione preventiva. Un riduttore con tempi di approvvigionamento lunghi, installato su un collo di bottiglia produttivo, richiede invece un controllo più approfondito. La priorità si definisce combinando criticità produttiva, sicurezza, costo della sostituzione, disponibilità ricambi e frequenza storica dei guasti.
Soglie fisse, trend o modelli analitici?
La manutenzione predittiva non coincide necessariamente con intelligenza artificiale. Per molti casi d’uso, una logica a soglie ben progettata produce risultati immediati. Per esempio, temperatura oltre un limite, corrente oltre la media storica o differenza anomala tra pressione attesa e pressione rilevata.
Le soglie fisse sono semplici da validare e spiegare, ma possono essere poco adatte a processi molto variabili. I trend sono più utili quando il degrado è progressivo: non interessa soltanto il valore attuale, ma la velocità con cui sta cambiando. I modelli statistici o di machine learning diventano interessanti quando esistono dati storici consistenti, condizioni operative diverse e una relazione non lineare tra variabili.
La scelta dipende dalla maturità dei dati. Avviare un modello complesso senza una raccolta storica pulita porta spesso a risultati difficili da interpretare. In fabbrica è preferibile iniziare da regole verificabili, misurare l’efficacia degli avvisi e aumentare gradualmente la sofisticazione analitica.
Architettura dati: dal PLC alla decisione manutentiva
Per rendere operativo questo approccio, i dati devono essere raccolti senza appesantire la rete OT e senza creare infrastrutture locali difficili da gestire. Un agente leggero on-premise può leggere le variabili dai PLC e dai sistemi di automazione attraverso protocolli come Siemens S7, Modbus TCP/IP, OPC UA, EtherNet/IP o MQTT, inviandole a una piattaforma centralizzata in modo controllato.
La piattaforma deve normalizzare le informazioni, storicizzarle e renderle consultabili via browser. Ma il dashboard non basta. Occorre configurare eventi, logiche di persistenza e notifiche coerenti con il processo. Un picco di pochi secondi può essere irrilevante; una deviazione che persiste per venti minuti durante produzione effettiva richiede invece attenzione.
In un ambiente MES, il vantaggio è ulteriore: il dato manutentivo può essere correlato a ordini di produzione, lotti, ricette, operatori e KPI come OEE, disponibilità, performance e scarti. Se un aumento delle microfermate precede un guasto, l’evento non rimane confinato alla manutenzione. Diventa un indicatore misurabile dell’impatto sul rendimento della linea.
Una piattaforma cloud-native come PLCinCloud consente di collegare dati di campo, stati macchina e sistemi gestionali in un unico ambiente operativo, senza introdurre server da mantenere nello stabilimento. Per il reparto IT/OT, questo significa ridurre la frammentazione tra fonti dati e rendere disponibili informazioni coerenti a produzione, manutenzione e direzione.
Come avviare un progetto che produca risultati
Il primo passo non è scegliere il sensore, ma identificare un caso con ritorno misurabile. Conviene partire da una macchina critica che genera fermi ripetuti, da un componente con ricambio costoso o da un processo in cui le anomalie anticipano gli scarti. Il caso pilota deve avere un proprietario operativo chiaro, di norma manutenzione o produzione, e criteri condivisi per valutare il risultato.
Poi si mappano tag PLC, eventuali sensori aggiuntivi, stati macchina e informazioni di contesto. Per ogni segnale occorre definire frequenza di campionamento, unità di misura, qualità attesa e regola di validazione. Un valore non aggiornato, fuori campo o acquisito durante un fermo non pianificato non deve alimentare analisi come se rappresentasse la produzione normale.
La fase successiva è costruire una baseline. Per alcune settimane si osservano i parametri in condizioni note, annotando interventi, cambi formato, anomalie e guasti. Questa disciplina è essenziale: senza storico manutentivo e senza classificazione degli eventi, anche il miglior algoritmo dispone di pochi elementi per apprendere.
Infine si definiscono gli avvisi e la relativa azione. Ogni alert deve indicare chi interviene, entro quanto tempo, quale verifica eseguire e come registrare l’esito. Se un avviso non porta a una decisione, diventa rumore e viene ignorato. Se porta a un controllo mirato e tracciabile, alimenta un ciclo di miglioramento continuo.
Il risultato più utile non è una dashboard piena di grafici. È una squadra che sa perché una macchina sta cambiando comportamento, quale intervento programmare e quale impatto evitare sulla produzione. Da questa capacità di decidere con dati affidabili nasce una manutenzione realmente predittiva.