• Non ci sono risultati.

Da “fail-and-fix” a “predict-and-prevent”

Le strategie di manutenzione esposte nel paragrafo precedente rappresentano le strategie pi`u conosciute e diffuse all’interno delle imprese, esiste tuttavia un concetto ancora poco utilizzato, chiamato manutenzione predittiva (Pre- dictive Maintenance o PdM), che ha come obiettivo quello di “ottimizzare i piani di manutenzione attraverso la predizione di guasti ai macchinari sulla base di tecniche data driven”.24 L’ottimizzazione avviene quindi attraverso l’individuazione anticipata del momento in cui si verificher`a, con un ragione- vole grado di certezza, un guasto oppure uno standard qualitativo inadeguato. La manutenzione predittiva, rispetto ai tipi di manutenzione precedentemente analizzati, utilizza l’analisi dei dati in tempo reale: sulla base dei dati pro- venienti dai sensori posti sulle macchine, viene creata una serie di dati che si alimenta continuamente in real-time. I dati vengono trasmessi utilizzando tecnologie IIoT e memorizzati sul cloud. Attraverso l’analisi dell’andamento di parametri rilevanti ai fini della manutenzione, `e possibile capire in quale momento si render`a necessario effettuare un intervento, prevedendo in antici- po il tempo di vita utile residuo di un componente. In questo modo si crea uno strumento di supporto al processo decisionale relativo all’attivit`a di ma- nutenzione.25 Le tecniche di manutenzione predittiva, per poter capire quando una determinata attrezzatura si guaster`a, mettono in relazione delle variabili fisico-chimiche con lo stato di usura del macchinario o impianto considerato: l’idea fondamentale `e infatti quella secondo cui un guasto non si verifica in modo istantaneo, ma in seguito al deterioramento nel tempo di un determina- to componente.

La misurazione delle variabili chimico-fisiche sopra menzionate, ottenuta gra-

Figura 4.6: Il momento dell’intervento nella manutenzione predittiva. Fonte: MathWorks zie alla trasmissione di dati per mezzo di sensori, pu`o essere realizzata attra-

24zu Wickern, 2019:ii, op. cit.

25Sezer, E., Romero, D., Guedea, F., Macchi, M., & Emmanouilidis, C. (2018). An

industry 4.0-enabled low cost predictive maintenance approach for smes. In 2018 IEEE International Conference on Engineering, Technology and Innovation (ICE/ITMC), 1-8.

verso diverse attivit`a, come ad esempio il controllo del livello dell’olio, la rile- vazione della temperatura o l’analisi delle vibrazioni. I dati ottenuti da queste attivit`a di monitoraggio vengono poi confrontati, durante il processo di analisi dei dati, con valori standard prestabiliti, in modo tale da evidenziare eventuali scostamenti tra la condizione effettiva in cui si trova il macchinario/impianto e la sua condizione ottimale (ovvero la condizione in cui si dovrebbe trovare un componente per essere considerato in “salute”).

Le nuove tecnologie, come l’Industrial Internet of Things, le tecnologie di co- municazione wireless, l’analisi dei dati ed un’architettura basata sul cloud, permettono l’attuazione di strategie di manutenzione predittiva. Rispetto alle tipologie di manutenzione analizzate in precedenza, come abbiamo gi`a antici- pato nei capitoli precedenti, si pu`o ottenere un risparmio di costo, grazie alla possibilit`a di anticipare situazioni di non conformit`a o guasti, pianificare gli interventi di manutenzione con largo anticipo ed effettuare questi ultimi du- rante i tempi di fermo programmati (eliminando cos`ı il mancato guadagno che si avrebbe nel caso di un fermo macchina improvviso).

Alla luce dei vantaggi ottenibili grazie ai metodi di PdM, occorre osservare che le imprese, per poter realmente applicare queste tecniche, si trovano a dover affrontare delle sfide, esistono infatti diversi fattori che vanno ad impattare sull’applicabilit`a e sull’affidabilit`a dei metodi di PdM. I fattori di cui sopra hanno natura diversa, si rilevano in particolare fattori di natura finanziaria ed organizzativa,26 al cui interno vengono fatti rientrare la disponibilit`a di risorse destinate agli investimenti e la cultura organizzativa in termini di di- sponibilit`a al cambiamento, che rappresentano dei prerequisiti essenziali per un’efficace implementazione della manutenzione predittiva in azienda.

Per quanto riguarda i fattori di natura finanziaria, le tecniche di manutenzione predittiva richiedono il sostenimento di specifici costi dovuti all’installazione di sensori e sistemi per il raccoglimento, l’elaborazione dei dati e l’estrazione delle informazioni. L’entit`a dei costi da sostenere varia a seconda della di- mensione aziendale. Le piccole e medie imprese generalmente presentano un apparato tecnologico pi`u limitato rispetto alle aziende di grandi dimensioni e ci`o pu`o essere dovuto alle minori capacit`a di investimento, che si riflettono sul- la propensione al rischio, riducendola. Al contrario, le grandi imprese, avendo risorse finanziarie pi`u consistenti, possono sopportare maggiormente il rischio di investire in un sistema di manutenzione predittiva che potrebbe rivelarsi fallimentare.27 Questa situazione viene confermata anche da Jin et al. (2016)

26zu Wickern et al., 2019, op. cit. 27zu Wickern et al., 2019, op. cit.

che sottolineano la rischiosit`a per le PMI di effettuare investimenti di cui non si conoscono con esattezza i costi e di conseguenza il pay-back period, pertanto sono poche le PMI che adottano un approccio di manutenzione predittiva,28

nonostante McKinsey & Company affermi che l’utilizzo di metodi di manuten- zione predittiva potrebbe ridurre il downtime dal 30% al 50% ed aumentare la vita del macchinario dal 20% al 40% .29

Riferimenti bibliografici

Bi, Z., Da Xu, L., & Wang, C. (2014). Internet of things for enterprise systems of modern manufacturing. IEEE Transactions on industrial informatics, 10 (2), 1537-1546.

Biesinger, F., Meike, D., Kraß, B., & Weyrich, M. (2019). A digital twin for pro- duction planning based on cyber-physical systems: A Case Study for a Cyber- Physical System Based Creation of a Digital Twin. Procedia CIRP, 79, p. 357.

Boyes, H., Hallaq, B., Cunningham, J., & Watson, T. (2018). The industrial internet of things (IIoT): An analysis framework. Computers in industry, 101, 1-12. Daugherty, P., & Berthon, B. (2015). Winning with the Industrial Internet of

Things. How to accelerate the journey to productivity and growth. Accenture. Maier, A., Schriegel, S., & Niggemann, O. (2017). Big Data and Machine Learning for the Smart Factory - Solutions for Condition Monitoring, Diagnosis and Optimization. Springer International Publishing Switzerland, 473-485.

McKinsey (2018). Digital Manufacturing – escaping pilot purgatory. Digital Mc- Kinsey.

McKinsey Report. (2015). How to Navigate Digitization of the Manufacturing Sector.

Mourtzis, D., Vlachou, E., & Milas, N. (2016). Industrial Big Data as a result of IoT adoption in Manufacturing. Procedia CIRP, 55, 290-295.

NIST - National Institute of Standards and Technology. (2013). Foundations for Innovation in Cyber-Physical Systems. Workshop Report.

Oks, S. J., Fritzsche, A., & M¨oslein, K. M. (2018). Engineering industrial cyber- physical systems: An application map based method. Procedia CIRP, 72, 456-461.

Rahmadiansah, A., Wira Utama, S., & Wirayusa (2019). Study of low-cost IoT ap- plication for industry 4.0 using NodeMCU ESP8266 module. AIP Conference Proceedings, 2088.

28Jin et al., 2016, op. cit.

Sezer, E., Romero, D., Guedea, F., Macchi, M., & Emmanouilidis, C. (2018). An in- dustry 4.0-enabled low cost predictive maintenance approach for smes. In 2018 IEEE International Conference on Engineering, Technology and Innovation (ICE/ITMC), 1-8.

Susto, G. A., Schirru, A., Pampuri, S., McLoone, S., & Beghi, A. (2014). Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 11 (3), 812-820.

Turner, C. J., Emmanouilidis, C., Tomiyama, T., Tiwari, A., & Roy, R. (2019). Intelligent decision support for maintenance: an overview and future trends. International Journal of Computer Integrated Manufacturing, 32 (10), 936-959. Veile, J.W., Kiel, D., M¨uller, J.M., & Voigt, K. (2018). How to implement industry 4.0? An empirical analysis of lessons learned from best practices. IAMOT 2018 Conference Proceedings.

zu Wickern, V. F. M. (2019). Challenges and Reliability of Predictive Maintenance. Rhein-Waal University Of Applied Sciences, Faculty of Communication and Environment.

Capitolo 5

Sviluppo di un DSS per il

monitoraggio e la manutenzione

predittiva nelle PMI attraverso

un sistema IIoT

Il capitolo si apre introducendo il concetto di DSS, per poi approfondire i si- stemi di supporto alle decisioni per le attivit`a manutentive. Nel capitolo viene fatto un focus sulla strategia di manutenzione predittiva. Essa infatti rappre- senta uno dei possibili miglioramenti abilitati dall’introduzione delle tecnologie di IoT industriale. Avere a disposizione un sistema in grado di produrre in- formazioni a supporto del processo di decision-making relativo all’attivit`a di manutenzione, permette alle aziende di prendere decisioni pi`u informate che, come `e stato osservato nei capitoli precedenti, porta ad un miglioramento delle performance aziendali. Il capitolo, che conclude il lavoro, tratta lo sviluppo del sistema a livello tecnico. Nei paragrafi che seguono viene presentato un Siste- ma di Supporto Decisionale per le Attivit`a Manutentive che, per abbreviare, chiameremo “SISDAM”. L’obiettivo del sistema `e il monitoraggio e la manu- tenzione predittiva di un macchinario CNC. In questo capitolo si avr`a quindi modo di osservare come l’adozione di un approccio orientato allo sfruttamento di questa tipologia di dati, rappresenti oggi un’importante opportunit`a per tutte le imprese.

5.1

Tecnologia e vantaggio competitivo

Come `e stato osservato nel primo capitolo, le imprese, a causa della pressione competitiva progressivamente intensificatasi per effetto della globalizzazione, si trovano a dover migliorare continuamente le proprie performance. In questo contesto, la tecnologia rappresenta un fattore rilevante per la creazione o il mantenimento di un vantaggio competitivo.

Secondo la Resource-Based View (RBV) tuttavia non tutte le risorse di un’im- presa possono essere considerate strategiche e quindi fonti di vantaggio com- petitivo. Il vantaggio competitivo si ha infatti solo in presenza di eterogeneit`a delle risorse, ovvero nel caso in cui ci siano risorse differenti tra le imprese, e di immobilit`a delle risorse, ovvero in caso di incapacit`a per le imprese di ottenere una risorsa posseduta da un’altra impresa.1

Tra le imprese esistono quindi delle barriere che limitano la mobilit`a delle risorse, questo concetto (in analogia al concetto di barriere all’entrata) vie- ne definito resource position barriers, termine coniato da Wernerfelt (autore che ha coniato anche il termine Resource-based view in un articolo su Strate- gic Management Journal intitolato “A Resource-Based View of the Firm” nel 1984).2 Nel caso della tecnologia IoT applicata all’industria, si pu`o affermare che in realt`a l’immobilit`a delle risorse non sia presente, infatti queste nuove tecnologie possono essere impiegate da qualsiasi impresa; tuttavia, l’aspetto relativo all’immobilit`a (ovvero l’impossibilit`a delle imprese di impiegare una data risorsa) viene sostituito dall’immobilismo (atteggiamento volontario) del- le PMI che, come `e stato osservato nei capitoli precedenti, in relazione alle nuove tecnologie `e ancora presente. L’acquisizione di nuove tecnologie rap- presenta una grossa opportunit`a anche alla luce delle innovazioni che si sono avute in passato, con la terza rivoluzione industriale ad esempio, che ha porta- to un’ondata di nuove tecnologie come l’automazione e l’avvento dell’IT, sono stati innovati i metodi di produzione ed `e stato aperto uno spazio per la crea- zione di nuovi modelli di business. Trovandoci oggi all’interno di una nuova rivoluzione industriale che non ha ancora raggiunto il suo livello di maturit`a, occorre riflettere sull’importanza dell’adozione di nuove tecnologie. Inoltre, la maggiore incertezza che le imprese si trovano a dover gestire a causa dei re- pentini cambiamenti nei bisogni dei clienti (sia in un’ottica B2B sia B2C), ha delle implicazioni sul processo di decision-making dei soggetti preposti ad esso, che avranno la necessit`a di prendere decisioni pi`u informate ed in un tempo

1Madhani, P. M. (2010). The resource-based view (RBV): issues and perspectives. PACE,

A Journal of Research of Prestige Institute of Management, 1 (1), 43-55.

ridotto. Sulla base di quanto osservato, implementare sistemi di supporto alle decisioni (DSS) rappresenta un argomento di grande rilevanza.3

Documenti correlati