di Laura Luigia Martini e Francesco Rota
La manutenzione riveste un ruolo ormai centrale nella gestione delle macchine e dei sistemi complessi. Negli impianti moderni è infatti sempre più importante garantire livelli di produttività e di disponibilità prefissati anche in considerazione del fatto che questi sono spesso parametri inclusi nei termini contrattuali.
Oltre a questi aspetti, è inoltre fondamentale riuscire a controllare i costi complessivi di gestione degli impianti poiché, in uno scenario economico allargato, la competizione è serrata e la globalizzazione porta a confrontarsi in modo diretto con i Paesi Emergenti che dispongono di manodopera a costi inferiori rispetto ai Paesi Occidentali. I temi relativi all’efficacia, misurabile in termini di disponibilità e produttività, e all’efficienza, che invece può essere valutata in base a costi di gestione specifici, sono sempre più interconessi e il loro controllo apre lo scenario a molteplici trade-off che, soprattutto nel caso di sistemi complessi in cui le variabili operative sono molteplici, non è possibile governare compiutamente con i metodi tradizionali.
L’Industry 4.0 e l’Intelligenza Artificiale stanno dando un contributo davvero significativo all’evoluzione della manutenzione, che è passata da un’operatività puramente reattiva ad un’operatività preventiva, predittiva ed infine prescrittiva. Tale evoluzione risulta fondamentale per identificare e controllare i rischi connessi all’operative life cycle dei sistemi complessi da parte delle organizzazioni, sia in termini di magnitudo che di frequenza di eventi indesiderati. Ed è proprio in questo contesto che le nuove tecniche di apprendimento automatico dell’Industry 4.0, basate sull’Intelligenza Artificiale, possono rappresentare un prezioso strumento per l’automazione dell’analisi di grandi moli di dati provenienti da impianti e macchinari e per la prevenzione dei rischi associati.
Naturalmente l’Intelligenza Artificiale va alimentata da modelli di apprendimento tra cui il deep learning, modello basato sulla stratificazione di reti neurali artificiali.
Tracciato l’ambiente tecnologico in cui ci muoviamo, cos’è e cosa rappresenta oggi la Decision Intelligence in tale ambiente? La Decision Intelligence è il risultato più evoluto delle tecniche di Intelligenza Artificiale applicate ai processi di mitigazione dei rischi e al raggiungimento degli obiettivi. La gestione evoluta dei sistemi complessi tramite tecniche innovative di Decision Intelligence può rivoluzionare la modalità con cui un’organizzazione industriale coordina le proprie strategie ed operazioni. Si tratta dunque di una disciplina che ricomprende in sé una vasta gamma di tecniche avanzate volte alla modellazione, esecuzione, monitoraggio e affinamento di modelli e processi decisionali. Nelle organizzazioni strutturate – per la maggior parte multinazionali, più raramente locali – tale disciplina orienta il processo decisionale aziendale verso obiettivi definiti sia da un punto di vista strategico che operativo grazie all’analisi descrittiva, diagnostica e predittiva dei dati provenienti dal campo. Gli output dell’analisi correlata alla tecnica di Decision Intelligence sono poi vagliati in un contesto di process management iterativo, che consiste nel realizzare simulazioni di scenari alternativi in relazione ad un obiettivo da massimizzare o minimizzare. Tali scenari alternativi possono essere analizzati tramite un calcolo avanzato di Artificial Intelligence di tipo descrittivo oppure predittivo dei trend futuri.
La manutenzione, intesa come area di competenza a cui viene demandata la gestione e la responsabilità degli asset, può dotarsi a sua volta di queste nuove tecnologie, divenendo, nella sua forma di manutenzione prescrittiva, uno strumento utile e necessario alla gestione efficace dei sistemi complessi in diversi ambiti di applicazione che includono, tra gli altri, il settore industriale, marittimo, civile ed energetico.
Quando parliamo di “manutenzione prescrittiva” non facciamo tuttavia riferimento ad una strategia di manutenzione definita dalle normative, ma ad una specifica metodologia, ad un approccio particolare, al pari della manutenzione proattiva, che, partendo dalle finalità di due strategie di manutenzione industriale quali la Reliability Centred Maintenance e la Prognostic Maintenance, utilizza i nuovi strumenti dell’Industry 4.0 per generare valore. Eccoci dunque alla finalità vera della Decision Intelligence come evoluzione dell’Artificial Intelligence: generare valore per una realtà industriale complessa.
Questo nuovo approccio alla manutenzione, che rappresenta l’evoluzione più moderna della manutenzione predittiva, offre l’opportunità, non solo di prevedere l’insorgere dei problemi e dei guasti, ma anche di prescrivere soluzioni e fornire un supporto alle decisioni, identificando le azioni da intraprendere e selezionando la politica ottimale di gestione dei rischi in termini di sicurezza, disponibilità, profittabilità e sostenibilità.
La manutenzione prescrittiva permette dunque di simulare scenari alternativi sulla base di determinate azioni e di valutarne l’impatto sia da un punto di vista finanziario che di sicurezza, lungo diversi orizzonti temporali e secondo determinate condizioni. In questo modo si rende possibile la calibrazione di decisioni come ad esempio il decomissioning di una specifica struttura, la sostituzione di un sistema per raggiungimento del fine vita, la rimodulazione del piano di ammortamenti e la revisione di alcune voci del conto economico. Grazie alla possibilità di fare inferenza, ovvero di trarre conclusioni deduttive, supportata dall’Intelligenza Artificiale in una rete decisionale, la Decision Intelligence permette anche di valutare i possibili impatti delle simulazioni incluso il “life cycle assement” e il “life cycle cost”.
Quanto descritto fino ad ora sottolinea l’estrema importanza dei dati nella creazione di basi di conoscenza e di patrimoni informativi per le organizzazioni che si propongano di applicare virtuosamente la disciplina della Decision Intelligence ai propri sistemi complessi. La disponibilità di dati e di feedback informativi sono pertanto le condizioni abilitanti per la manutenzione prescrittiva. I sistemi complessi che la manutenzione prescrittiva prende in esame sono tutti quegli asset industriali le cui componenti e relative interconnessioni potenzialmente determinano interferenze che si possono tradurre in rischi per le organizzazioni, le persone e l’ambiente.
La possibilità di avere sistemi atti a raccogliere grandi moli di dati in tempo reale e di acquisire feedback informativi da tali sistemi può essere favorita dall’utilizzo di piattaforme IoT che supportano anche gli algoritmi di Decision Intelligence. In aggiunta, secondo un modello di circolarità delle informazioni che si sta consolidando sempre più nelle organizzazioni strutturate, le piattaforme IoT possono assolvere anche al requisito di “data storage and visualization”, rappresentando i risultati degli scenari simulati tramite opportune interfacce grafiche con la duplice finalità di facilitare la comprensione al decisore finale e di abilitare la creazione di un archivio storico. Nei casi ad alto contenuto di automazione, la selezione della decisione migliore può essere demandata anche a sistemi machine-to-machine.
La decision intelligence diviene così uno strumento di tipo data-driven, in cui decisioni, variabili e impatti sono monitorati e predetti in relazione al raggiungimento o scostamento da obiettivi impostati a priori. Dotarsi di strumenti digitali ed innovativi che sfruttano questa disciplina diventa quindi un passaggio fondamentale per governare i processi stocastici da cui dipendono gli obiettivi di molte organizzazioni. Tuttavia la gestione efficace di simili processi deve passare ancor prima attraverso la creazione di una metodologia (vedi Figura 1) che include la collaborazione tra i diversi stakeholder aziendali, la mappatura delle risorse informative e delle tecnologie abilitanti.
In conclusione, un approccio evoluto di manutenzione prescrittiva, se recepisce compiutamente l’innovazione derivante dai processi di Decision Intelligence, può rappresentare a livello industriale un reale un cambio di paradigma e apportare un concreto valore aggiunto alle strategie tradizionali di manutenzione.