Quando le organizzazioni monitorano strategicamente lo stato di funzionamento e le prestazioni dei loro asset più preziosi, riducono i costi operativi e diminuiscono la probabilità di guasti che potrebbero rendere necessaria una manutenzione non prevista. Implementando tattiche di manutenzione preventiva e predittiva, le organizzazioni possono migliorare le proprie capacità di previsione e pianificare le riparazioni quando lo ritengono opportuno, non dopo un guasto imprevisto.

Le attività di manutenzione sono essenziali per preservare il funzionamento e la produttività degli asset di un'organizzazione. Tuttavia, il loro costo può variare notevolmente e può influire sulla redditività dell'organizzazione. I miglioramenti nelle capacità decisionali derivanti da un solido approccio APM aiutano le organizzazioni a evitare di eseguire manutenzioni eccessive e non necessarie.

Attraverso l'utilizzo di funzionalità di intelligenza artificiale e apprendimento automatico (machine learning, ML) per implementare la manutenzione predittiva e preventiva, le moderne soluzioni APM sono in grado di offrire miglioramenti nella disponibilità e nelle condizioni degli asset. Gli operatori assistiti da queste nuove tecnologie sono in grado di consigliare meglio le strategie di riparazione che contribuiscono a ridurre i costosi tempi di inattività degli asset su cui l'azienda fa affidamento.

Oggi, molte organizzazioni che dispongono di un elevato numero di asset sfruttano le funzionalità dell'Internet of Things (IoT) e dell'intelligenza artificiale (AI) come parte di una strategia APM globale per riuscire a individuare più facilmente opportunità di maggiore efficienza. Mentre in passato i business leader dovevano aspettare fino alla fine del mese o del trimestre per esaminare i numeri delle prestazioni, oggi possono ottenere quegli stessi dati in tempo reale. In un caso di studio del 2022, il 51% delle organizzazioni ha dichiarato di voler dare priorità all'aumento dell'efficienza operativa rispetto ad altre iniziative.¹ 

Un APM efficace inizia nella prima fase del ciclo di vita dell’asset: la pianificazione. Prima ancora di acquisire un asset, i responsabili delle decisioni devono pensare a come il suo funzionamento e la sua manutenzione possono inserirsi nelle loro operazioni più ampie. Per fare ciò, dovranno valutare il valore dell'asset.

La valutazione degli asset varia notevolmente tra organizzazioni e settori. Ad esempio, in un'attività che si occupa di consegne di generi alimentari, il funzionamento e le prestazioni dei veicoli utilizzati per il trasporto delle merci sono fondamentali. Nel caso di un'azienda di software, al contrario, anche se sono presenti dei veicoli che vengono utilizzati di tanto in tanto, il funzionamento e le prestazioni degli stessi non sono fondamentali per le operazioni quotidiane. Queste due organizzazioni valuterebbero quindi lo stesso asset in modo diverso. Quando inizi a elaborare il tuo APM, scegli prima gli asset che sono fondamentali per le operazioni aziendali. Puoi occuparti dello stato degli asset con priorità inferiore in un secondo momento.

Una tecnica sempre più utile nell'APM è la creazione di un gemello digitale. Un gemello digitale è una rappresentazione virtuale di un asset che consente agli operatori di eseguire test e prevedere le prestazioni in base alle simulazioni. Con un buon gemello digitale, i responsabili delle decisioni possono sapere quanto è probabile che un asset funzioni nelle condizioni a cui prevedono di sottoporlo. I gemelli digitali aiutano gli operatori e i responsabili della manutenzione a individuare i problemi prestazionali e a ottenere informazioni dettagliate sui possibili miglioramenti ai piani di manutenzione. 

Quando si tratta di monitorare le prestazioni degli asset e di automatizzare i workflow degli asset critici, i software APM, come un sistema di enterprise asset management (EAM), sono fondamentali per l'esecuzione di una strategia efficace. EAM combina software e servizi per aiutare le organizzazioni a preservare, controllare e ottimizzare i propri asset operativi. Con la quantità di dati generati oggigiorno tramite IoT, i responsabili della manutenzione si affidano sempre più a software di gestione come EAM, dotati di analisi dei dati potenziata dall'intelligenza artificiale, per prendere agilmente decisioni più intelligenti.

Oltre all'EAM, molte iniziative APM implementano un sistema di gestione della manutenzione computerizzato (CMMS) per aiutare i reparti addetti alla manutenzione a centralizzare le informazioni fondamentali sugli asset. Un CMMS indica ai responsabili della manutenzione dove si trova un asset, che tipo di servizi o riparazioni richiede e chi dovrebbe eseguirli. Un CMMS solido permette di accedere immediatamente alle informazioni critiche su un asset e di renderle utilizzabili dai suoi operatori.

Gli approcci APM più efficaci di oggi si basano sulla capacità di programmare regolarmente la manutenzione per prevenire guasti alle attrezzature e valutare continuamente le prestazioni in tempo reale. Queste due strategie, la manutenzione preventiva e la manutenzione predittiva, sono fondamentali per il successo di molte iniziative APM. 

La manutenzione preventiva opera attraverso attività di manutenzione regolarmente pianificate per ridurre le probabilità di malfunzionamenti degli asset. Il tempo di inattività viene pianificato utilizzando le best practice e le medie cronologiche, come il tempo medio tra i guasti (MTBF).

La manutenzione predittiva valuta e rivaluta continuamente le condizioni di un asset utilizzando sensori che raccolgono dati sullo stesso in tempo reale. Questi dati vengono poi inseriti in un EAM o CMMS abilitato all'intelligenza artificiale, dove strumenti avanzati di analisi dei dati e processi come l'apprendimento automatico (ML) identificano, rilevano e risolvono i problemi in tempo reale. Sulla base di questi dati e della successiva analisi, vengono utilizzati degli algoritmi per realizzare modelli che prevedono quando potrebbero sorgere potenziali problemi futuri con un'apparecchiatura. La manutenzione predittiva ha dimostrato di ridurre i costi di manutenzione, di ridurre i tempi di inattività degli asset del 35-50% e di aumentare la durata degli asset del 20-40%.²

Forse la metrica più utilizzata per valutare il successo di qualsiasi programma di manutenzione è l'MTBF degli asset da riparare. L'MTBF è una semplice formula che calcola la quantità media di tempo che intercorre tra le riparazioni necessarie su un'apparecchiatura, dividendo il tempo totale di funzionamento per il numero di guasti durante un determinato periodo. Un reparto di manutenzione i cui asset presentano un MTBF elevato viene solitamente valutato come “forte”.  

Conosciuta e ampiamente utilizzata al pari dell'MTBF, l'efficacia complessiva delle attrezzature o OEE (link esterno a ibm.com) è un'altra metrica diffusa per misurare le prestazioni degli asset. Si basa su tre metriche: disponibilità, prestazioni e qualità delle attrezzature. La “disponibilità” viene determinata utilizzando il tempo di produzione effettivo dell'asset rispetto al tempo di produzione pianificato; la “prestazione” misura il rendimento dell'attrezzatura rispetto alle sue potenzialità massime; infine la “qualità” valuta il tasso di produzione di prodotti ritenuti “buoni” rispetto a quelli che presentano difetti o richiedono rilavorazione. Per determinare il punteggio OEE dell'asset, questi tre fattori vengono moltiplicati insieme.

Altre due metriche utilizzate per misurare il successo di un programma APM sono la rapidità e l'efficacia con cui i tecnici della manutenzione chiudono i ticket degli ordini di lavoro assegnati e la percentuale complessiva di lavoro completato rispetto a quello non completato. 

In genere associata alle strategie di manutenzione a lungo termine, la frequenza delle attività di manutenzione di emergenza fornisce insight sull'efficacia di un programma di manutenzione preventiva. In parole povere, quanto più un reparto di manutenzione è in grado di eseguire la manutenzione preventiva, tanto più rari dovrebbero essere i guasti che richiedono un intervento di emergenza.