La manutenzione predittiva non riguarda la macchina

L'errore di partenza

Il modo in cui la manutenzione predittiva viene pensata, e venduta, mette al centro la macchina. Si strumenta l'asset, si impara come appaiono i suoi sensori quando sta bene, si suona l'allarme quando si allontanano. Quando il contesto compare, è un fastidio da togliere di mezzo, da "normalizzare".

Noi pensiamo che l'ordine sia sbagliato. Prima viene il contesto, e solo dopo i sensori si leggono alla sua luce.

Una macchina non si guasta nel vuoto. Si guasta dentro una fabbrica, dentro un programma di produzione, dentro una storia.

Il prezzo di ignorarlo, pagato due volte

Se giudichi una macchina senza sapere che cosa sta facendo, paghi due volte.

Prima paghi in guasti persi. Una banda costruita senza contesto deve contenere tutto: ogni prodotto che la macchina ha mai fatto, ogni stagione, ogni ripartenza. Diventa così larga che un guasto vero ci resta dentro fino all'ultimo. Una tenuta può perdere per settimane senza mai uscire dalla banda della macchina, mentre contro la banda del prodotto che è nello stampo in quel momento è chiaramente fuori.

Poi paghi in falsi allarmi. Se i prodotti sono pochi e molto diversi, quello minoritario resta fuori dalla banda per sempre. Ogni volta che la pressa lo produce, la macchina sana genera una fila di allarmi. Il manutentore impara a ignorarli. E il giorno in cui l'allarme è vero, lo ignora anche quello.

Abbassi la soglia per prendere i guasti e moltiplichi i falsi allarmi. La alzi per farli tacere e nascondi i guasti. Un sistema senza contesto non ha un punto di equilibrio che funzioni per tutti e due. Non è un problema di taratura: è un problema di struttura.

Il guadagno non viene da un algoritmo migliore

Qui c'è la cosa che nessuna brochure ti dirà.

Quando un sistema smette di suonare a vuoto, il merito di solito viene dato al modello: più intelligente, più profondo, più "AI". Ma se tieni fermo il rilevatore e cambi soltanto il riferimento contro cui viene giudicata ogni lettura, la differenza è enorme. Lo stesso vale per i modelli appresi: dai il contesto a un algoritmo di machine learning e migliora anche lui.

Il guadagno non sta nel rilevatore. Sta in quello che il rilevatore sa della macchina.

Un sistema che sorveglia la salute di una macchina senza conoscere il contesto della fabbrica sta usando il riferimento sbagliato, per quanto sofisticato sia l'algoritmo che ci mette sopra.

Che cosa vuol dire "contesto"

Il contesto ha due livelli: chi è questa macchina, e che cosa le sta succedendo intorno.

• Il suo DNA. Due macchine dello stesso modello si guastano in modi diversi. Ognuna ha le sue tarature, la sua usura, i suoi punti deboli, la sua storia di interventi.
• Che cosa sta producendo. Prodotto, stampo, mescola, tempo ciclo. Lo stesso segnale è normale per un prodotto e anomalo per un altro.
• Come viene usata. Turni, carico, fermi, ripartenze. Lo stress dipende da quanto e come lavora.
• L'ambiente. Temperatura del reparto, stagione. Molte deviazioni seguono l'ambiente, non la macchina.
• La fabbrica intorno. Ordini, scorte, manutenzioni programmate, la catena a monte e a valle. Non decide se c'è un guasto, ma decide quando un fermo costa di più e quando conviene intervenire.

Tutto questo, in quasi ogni fabbrica, esiste già. È scritto nei registri di produzione. Solo che vive nei sistemi della produzione, e la manutenzione guarda altrove.

L'avviamento non è un costo. È la scienza.

Nella maggior parte dei progetti di manutenzione predittiva, l'avviamento (collegarsi all'impianto, capire i dati, tarare le soglie) viene trattato come un servizio: un costo da ridurre il più possibile prima che parta il "vero" modello.

Per noi è il contrario. L'avviamento è la parte che costruisce il contesto, e senza contesto la previsione non regge. È lì che sta il valore.

In Atherya l'avviamento è un metodo, con regole precise.

• Solo lettura. Leggiamo i dati del cliente, non scriviamo mai nei suoi sistemi.
• Niente questionari. Prima risponde lo storico. Al cliente chiediamo solo quello che i dati non possono dire, e ogni risposta resta registrata come conoscenza confermata, con la sua provenienza.
• Statistiche robuste ovunque. I guasti del passato non devono allargare le bande che dovranno giudicare il prossimo.
• Un solo codice. Il Lab verifica le firme con lo stesso motore che poi giudica le letture in fabbrica. Se qualcosa non va, lo vediamo noi prima del cliente.

Il normale giusto, in ordine

Per ogni lettura Atherya cerca il riferimento più informato che esiste, in quest'ordine:

• Se il valore è un parametro impostato, come un tempo di vulcanizzazione, non si giudica come deriva. Si controlla che resti dentro il perimetro delle impostazioni legittime.
• Se il prodotto è noto e la stagione conta, si usa il normale di quel prodotto in quel mese.
• Se il prodotto è noto, si usa la sua banda.
• Se il prodotto non è mai stato visto, non si inventa niente. Si usa l'insieme delle bande dei prodotti noti. Un valore che cade tra due modi, dove la macchina non lavora mai, è fuori, anche se una banda unica lo direbbe sano.
• La stagione si separa solo dove i dati mostrano che sposta davvero il normale. L'algoritmo decide caso per caso, e non crea divisioni che non servono.
• La banda della macchina è l'ultima spiaggia. Se la macchina vive su più modi, quella banda serve per osservare l'andamento, mai per allarmare.

Che cosa ci ha insegnato una fabbrica vera

Nell'avviamento di un impianto reale, la parte difficile non è stata accorgersi che un valore si muoveva. È stata capire che cosa voleva dire.

• Un cambio di gestionale. A un certo punto un'integrazione ha cambiato il significato di alcuni campi delle presse. Senza saperlo, ogni pressa sarebbe sembrata andare in deriva nello stesso mese. Il cliente l'ha confermato, e quei dati vecchi sono stati esclusi.
• Parametri travestiti da sensori. Una colonna che sembrava una misura era in realtà il valore impostato di una temperatura. Giudicarla come un sensore avrebbe generato allarmi su ogni cambio di regolazione.
• Gli stessi zeri, la conclusione opposta. Un primo passaggio aveva dichiarato morti alcuni sensori del mescolatore perché leggevano quasi sempre zero. Poi si è capito che quegli zeri erano la macchina ferma che continua a registrare mentre aspetta. Oggi le sue firme si imparano solo mentre lavora. I dati non sono cambiati: il contesto ha deciso cosa significavano.
• Valori impossibili. Tempi di vulcanizzazione troppo brevi per qualunque gomma, ricorrenti su macchine e prodotti diversi. Prima di costruirci sopra un allarme di qualità, il Lab controlla se sono cicli abortiti registrati come completi. Se sì, cento domande di qualità diventano una sola domanda, più precisa, sull'acquisizione dei dati.
• Normali che nessuna soglia generica contiene. Una sbavatrice criogenica lavora a temperature dove qualsiasi soglia standard griderebbe al disastro.

L'onestà come metodo

C'è un'ultima differenza, e forse è la più importante.

Nel mondo della manutenzione predittiva circolano numeri bellissimi: tutti i guasti presi, con largo anticipo. Spesso, guardandoli da vicino, sono test del rilevatore su scenari costruiti a tavolino, di pochi minuti, su una sola macchina, senza prodotti, senza stagioni, senza fabbrica. Sono utili per verificare che il software funzioni. Non sono previsioni di guasti.

Noi abbiamo deciso di non usarli così. Prima di guardare un singolo guasto reale, abbiamo scritto come lo avremmo misurato: quali dati, quali modelli, quali metriche. Il confronto si fa sui falsi allarmi a parità di guasti presi, perché è lì che un sistema sopravvive o muore in reparto. Un sistema che prende gli stessi guasti gridando "al lupo" molte volte meno è un altro prodotto.

Prevedi la fabbrica

I primi mesi di un progetto di manutenzione predittiva non andrebbero spesi a tarare soglie. Andrebbero spesi a costruire il contesto.

Leggere lo storico. Imparare il DNA di ogni macchina. Collegare la fabbrica. Chiedere al cliente solo quello che i dati non possono dire.

È quello che fa Atherya.

Una macchina non si guasta da sola. Si guasta mentre lavora un prodotto, in un turno, in una stagione, dopo un fermo, dentro una fabbrica.

Prevedi la fabbrica, e prevederai la macchina.