Il mondo dell’industria è da sempre risultato uno dei settori in cui tecnologia e innovazione hanno trovato un fertile campo di applicazione. Le nuove tendenze e sensibilità, tuttavia, spesso si scontrano con problematiche per le quali le tecnologie avanzate e i modelli di calcolo più complessi non possono essere applicati a causa della mancanza di dati. Ne è un esempio lampante il caso della manutenzione, la scienza che si occupa di studiare il fenomeno del guasto dei componenti e dei sistemi.

La divisione manutenzione di un sistema produttivo è quell’insieme di risorse investite per mantenere costante nel tempo il funzionamento di tutti gli asset materiali, ovvero l’attuazione di politiche di riparazione dei guasti o di attività preventive per evitare il malfunzionamento dei componenti. Come ricorda il noto proverbio “prevenire è meglio che curare”! I giapponesi, infatti, da sempre luminari indiscussi delle scienze industriali, fissano a 80%-20% il rapporto ottimale fra manutenzione preventiva e manutenzione a guasto, valore dal quale al momento noi siamo molto lontani. Non adottare una corretta politica manutentiva significa, però, sprecare risorse: in particolare tempo e danaro.

Esistono diverse tecniche di calcolo per scegliere quale sia la migliore politica manutentiva, ma tutte passano dalla stima di un fondamentale parametro della manutenzione: il rateo di guasto condizionato lambda(t) quad left[ frac{numeroquad diquad rotture}{ora}right] , che indica la probabilità di guasto di un componente in un intervallo di tempo, condizionata al suo funzionamento all’istante t. Noto l’andamento della curva lambda(t)  è possibile adottare tecniche statistiche per la stima del tempo di missione, ovvero della vita utile di un componente; inoltre è possibile individuare il mix di politiche manutentive (preventiva e a guasto) che comporti il minor dispendio in termini economici.

Supponiamo, ad esempio, di voler monitorare il comportamento al guasto del nostro personal computer, per volerne stimare la vita utile, sapendo che ora l’apparecchio ha 730 giorni. Supponiamo di voler acquistare sempre il medesimo modello e di averne già cambiati 3 dopo i relativi tempi di utilizzo:

Item

Time to Failure [giorni]

Ancora in uso?

1 511 NO
2 949 NO
3 1095 NO
4 730+

A partire dai 4 valori di lambda(t)  calcolati a partire dalla tabella dei dati a disposizione si è ricavata la miglior curva interpolante attraverso la distribuzione di probabilità di Weibull lambda(t) = frac{beta}{theta} x left ( frac{t}{theta} right )^{beta-1} . Tuttavia appare chiaro dal grafico come i pochissimi dati disponibili (solo 4 tempi di rottura) non siano sufficienti ad una buona interpolazione. Il risultato ottenuto suggerisce che la migliore approssimazione con la curva di Weibull risulta essere comunque molto lontana dai dati di input: se, da un lato, trattandosi di una formula matematica, essa potrà facilmente essere impiegata per stimare l’affidabilità di missione del componente in esame, d’altro canto è necessario ricordare che abbiamo costruito un modello di molto distante dal comportamento reale del componente. Purtroppo non siamo in grado di fare di meglio!

immagine

Giunti a questo punto, ci può interessare conoscere quale sia la probabilità che il nostro computer riesca a servirci per un ulteriore mese (30 giorni).

R(t=730 +30)= R(760)=e^{-left(frac{760}{theta}right)^beta} simeq 0.20

Ecco che, il modello matematico ci fornisce una (bassa) affidabilità del componente fra il giorno 730 e 760. Certamente se l’utente fosse a conoscenza di questo parametro inizierebbe a salvare i propri dati su un hard disk esterno e ad informarsi sulle alternative in commercio per sostituire il suo computer.

La limitazione fondamentale di questa impalcatura teorica è data proprio dalla mancanza di dati per la stima della curva lambda(t). Sarà facile intuire come per avere una stima affidabile del rateo di guasto sia necessario osservare diverse rotture di tanti componenti identici istallati nelle medesime condizioni operative (stesso tipo di utilizzo, stesse temperatura, umidità e pressione, stessa posizione nello stabilimento, etc.); tuttavia per l’acquirente collezionare questi dati risulta arduo.

La previsione su base statistica non è però l’unica via per implementare politiche di manutenzione preventiva: accanto alla teoria dell’affidabilità classica, si avvicina un nuovo approccio chiamato condition monitoring (o manutenzione preventiva su condizione), il cui fine è quello di definire l’affidabilità di un componente in un certo istante a partire da variabili misurate in quell’istante stesso (ad esempio temperatura, vibrazioni, etc.). La logica alla base di questa politica è molto semplice: si tratta di individuare una variabile misurabile che sia indice del rischio di rottura o malfunzionamento del componente.

Ne è un chiaro esempio l’immagine che apre quest’articolo: quando si accende una spia rossa sul cruscotto potrebbe significare, ad esempio, che un termometro ha misurato una temperatura troppo alta nei fluidi di servizio dell’automobile. Ciò non significa che nel giro di pochi secondi l’auto si danneggerà, ma tuttavia individua una condizione di pericolo che potrebbe pregiudicare nel medio termine il corretto funzionamento del veicolo. Il fatto che una spia avverta prima del guasto dà il tempo all’automobilista di attivarsi per un controllo prima che il guasto si manifesti procurando maggiori disagi e dispendi per la riparazione.

In una realtà industriale, un tempo di guasto di poche ore può comportare mancati introiti per migliaia di euro all’ora dovuti alla produzione ferma. Per questo motivo, disporre di variabili che forniscano informazioni come quelle del grafico sotto può rivelarsi una risorsa preziosissima che permette di risparmiare tempo e denaro.

tufano-1

Il monitoraggio attraverso sensoristica a bordo macchina è uno dei temi di Industria 4.0; tema tuttavia ancora aperto, poiché individuare variabili i cui valori risultino essere correlati a situazioni di pericolo o guasto di un macchinario risulta estremamente difficile e richiede sforzi notevoli in termini di tempo. L’idea è quella di avere, in futuro, veri e propri cruscotti sui quali gli ingegneri della manutenzione possano, in sede o a distanza, monitorare le prestazioni delle macchine e il loro livello di sicurezza e di conseguenza scegliere il momento migliore per intervenire, prevenendo i guasti ed evitando lunghi fermi delle attrezzature.

Annunci

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione / Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione / Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione / Modifica )

Google+ photo

Stai commentando usando il tuo account Google+. Chiudi sessione / Modifica )

Connessione a %s...