L’analisi predittiva dei guasti serve a capire quando una macchina sta per rompersi, prima che succeda. Si basa su due ingredienti: i dati sullo stato del macchinario (vibrazioni, temperature, consumi, storico degli interventi) e un modello, statistico o di intelligenza artificiale, che li trasforma in una previsione. Il risultato pratico è semplice: intervieni quando serve davvero, pianifichi il fermo invece di subirlo e ordini il ricambio giusto in tempo. In questa guida trovi come funziona, quali algoritmi si usano, quali indicatori misurare e un percorso concreto per partire anche con un parco macchine datato e senza sensori.
In breve
- L’analisi predittiva stima la vita utile residua di un componente e fa intervenire solo quando lo stato reale della macchina lo richiede.
- Non serve partire dall’IoT: con uno storico ticket ordinato e metodi statistici come la distribuzione di Weibull si ottengono già previsioni utili.
- Gli algoritmi più usati vanno dal Random Forest alle reti LSTM, ma la qualità del dato conta più della scelta del modello.
- MTBF, MTTR, tasso di guasto e disponibilità sono gli indicatori che ti dicono se la strategia sta funzionando.
- Un CMMS che registra ogni guasto con causa, tempi e ricambi è la base su cui costruire qualsiasi modello predittivo.
Indice
- Che cosa si intende per analisi predittiva dei guasti
- Quali dati servono per prevedere un guasto
- Gli algoritmi della manutenzione predittiva
- Diagnosi dei guasti con l’intelligenza artificiale
- Gli indicatori da misurare: tasso di guasto, MTBF, MTTR e disponibilità
- Come avviare l’analisi predittiva in 6 passi
- Come scegliere una piattaforma per la manutenzione predittiva
- Il nostro punto di vista
- Prova l’analisi predittiva sul tuo parco macchine
- Domande frequenti
- Fonti
Che cosa si intende per analisi predittiva dei guasti
La manutenzione predittiva, detta anche CBM (Condition Based Maintenance), è una strategia che usa parametri misurabili in tempo reale e modelli matematici per prevedere la vita utile residua, o RUL, di un componente. Le procedure di gestione della manutenzione la distinguono con chiarezza dalla manutenzione preventiva, che interviene prima del guasto su base programmata, e dalla manutenzione correttiva, che interviene dopo la rottura.
L’analisi predittiva dei guasti è il cuore di questa strategia: è il processo con cui raccogli i segnali, li interpreti e arrivi a una decisione operativa. Non dice solo “la macchina si romperà”, ma “il cuscinetto del mandrino ha un’alta probabilità di cedere entro le prossime tre settimane”. Con un’informazione così puoi programmare l’intervento nel cambio turno, avere il pezzo a magazzino e avvisare la produzione.
| Strategia | Quando intervieni | Pro | Contro |
|---|---|---|---|
| Reattiva (a guasto) | Dopo la rottura | Nessuna pianificazione richiesta | Fermi imprevisti, costi alti, rischi per la sicurezza |
| Preventiva (programmata) | A intervalli fissi di tempo o ore | Semplice da gestire, riduce i guasti | Sostituisci pezzi ancora buoni, non copre i guasti casuali |
| Predittiva (su condizione) | Quando i dati indicano un degrado | Interventi mirati, meno fermi, meno scorte | Richiede dati di qualità e un metodo di analisi |
Le tre strategie convivono quasi sempre. Una buona manutenzione preventiva gestita con un CMMS resta la base, mentre la predittiva si applica prima alle macchine critiche, quelle il cui fermo blocca la linea.
Quali dati servono per prevedere un guasto
Un modello predittivo vale quanto i dati che riceve. Le fonti principali sono quattro.
Segnali fisici della macchina. Vibrazioni, temperature, pressioni, assorbimenti elettrici, stato del lubrificante. Le vibrazioni sono il segnale classico per organi rotanti come motori, pompe e riduttori. La temperatura rivela attriti anomali, connessioni elettriche allentate e quadri sovraccarichi.
Termografia. È una tecnica di ispezione che misura la temperatura superficiale con una termocamera, senza contatto e a macchina in funzione. Nella manutenzione predittiva si usa soprattutto su quadri elettrici, motori, cuscinetti e isolamenti. Un punto caldo rilevato oggi e confrontato con le ispezioni precedenti dice se il degrado sta accelerando. Il valore sta nel confronto nel tempo: una singola immagine termica è una fotografia, una serie di ispezioni registrate sullo stesso asset è un trend.
Dati energetici e di processo. Anche i consumi di energia possono segnalare un’anomalia. Uno studio recente ha usato reti neurali DeepESN per rilevare anomalie a partire dai dati energetici di produzione, senza sensori dedicati sul singolo componente.
Storico degli interventi. È la fonte più sottovalutata. Ogni ticket di guasto con data, macchina, componente, causa e tempo di riparazione è un dato. Chi ha standardizzato la raccolta dei dati di manutenzione nel CMMS secondo la ISO 14224 ha ridotto i tempi di raccolta e analisi da circa 100 a 10 giornate uomo, e ha potuto estendere gli intervalli di preventiva e ottimizzare la strategia sui ricambi.
Un consiglio pratico: oltre al segnale grezzo, registra il contesto. Ore di funzionamento, prodotto in lavorazione, temperatura ambiente, turno. Spesso è questo contesto a trasformare una semplice anomalia in una previsione affidabile.
Gli algoritmi della manutenzione predittiva
Non esiste un algoritmo migliore in assoluto. La scelta dipende da quanti dati hai, di che tipo sono e da cosa vuoi prevedere: un’anomalia, una classe di guasto o il tempo residuo prima del guasto.
| Famiglia | Esempi | Quando usarla | Dati necessari |
|---|---|---|---|
| Statistica di affidabilità | Distribuzione di Weibull | Macchine senza sensori, con storico guasti | Date dei guasti e ore di funzionamento |
| Probabilistica | Reti bayesiane | Stimare il deterioramento combinando più fattori | Dati di monitoraggio e conoscenza esperta |
| Machine learning tradizionale | SVM, Random Forest | Classificare stati di salute o tipi di guasto | Dati etichettati, anche in quantità moderata |
| Deep learning | Reti neurali (ANN), LSTM, DeepESN | Serie temporali da sensori, pattern complessi | Grandi volumi di dati continui |
Una rassegna sulle tecniche di machine learning per la manutenzione predittiva indica SVM e Random Forest come gli standard più consolidati, e reti neurali e LSTM come le architetture dominanti per le serie temporali. Una survey sui modelli di deep learning per la predittiva confronta queste architetture e ne discute i limiti, a partire dalla quantità di dati che richiedono.
Le reti bayesiane sono state applicate alla previsione del deterioramento delle apparecchiature in impianti a rischio di incidente rilevante, dove serve combinare dati di monitoraggio continuo e valutazione del rischio.
Per la maggior parte delle PMI manifatturiere, però, il punto di partenza più concreto è la statistica. Un caso studio sulla distribuzione di Weibull a due parametri mostra come stimare l’andamento dei guasti e programmare gli interventi partendo dai dati storici. Il parametro di forma di Weibull ti dice anche che tipo di guasto hai: guasti infantili (difetti di montaggio o avvio), guasti casuali o guasti da usura. Solo nell’ultimo caso anticipare la sostituzione ha davvero senso.
Molti progetti falliscono proprio perché saltano questo gradino: puntano su un modello di deep learning complesso senza una base storica solida, e ottengono previsioni instabili. Meglio partire semplice e alzare il livello quando i dati lo permettono.
Diagnosi dei guasti con l’intelligenza artificiale
Prevedere un guasto e diagnosticarlo sono due cose diverse. La previsione dice quando, la diagnosi dice cosa e perché. L’intelligenza artificiale oggi aiuta soprattutto su questo secondo fronte, nel lavoro quotidiano del tecnico.
Pensa a uno scenario tipico. Un operatore nota una perdita d’olio sulla pressa 4. Apre la segnalazione, allega una foto e descrive il sintomo. Un assistente AI confronta foto e descrizione con il manuale della macchina e con lo storico degli interventi, e propone le cause più probabili e le verifiche da fare. Il tecnico arriva sul posto sapendo già da dove iniziare e quali ricambi portare.
L’AI non sostituisce il tecnico. La manutenzione predittiva con intelligenza artificiale funziona quando chi conosce il comportamento fisico della macchina valida le proposte del sistema. Senza questa collaborazione anche l’algoritmo migliore genera falsi allarmi, e un sistema che suona a vuoto perde in fretta la fiducia degli operatori.
Quando la diagnosi tocca la sicurezza, per esempio su impianti in pressione, parti elettriche in tensione o dispositivi di protezione, la proposta dell’AI è un punto di partenza: la verifica e l’intervento restano a personale qualificato, secondo le procedure aziendali e le istruzioni del costruttore.
Gli indicatori da misurare: tasso di guasto, MTBF, MTTR e disponibilità
Senza indicatori non sai se la tua analisi predittiva sta producendo risultati. Questi sono i quattro da tenere sotto controllo.
Tasso di guasto (λ). Si calcola dividendo il numero di guasti per le ore di funzionamento nel periodo. Esempio: 4 guasti in 2.000 ore danno λ = 0,002 guasti/ora.
MTBF (Mean Time Between Failures). Il tempo medio tra due guasti: ore di funzionamento diviso numero di guasti. Nell’esempio, 2.000 / 4 = 500 ore. Se il tasso di guasto è costante, l’MTBF è l’inverso di λ.
MTTR (Mean Time To Repair). Il tempo medio di riparazione: somma dei tempi di intervento diviso numero di interventi. Include diagnosi, attesa ricambi e ripristino. Qui la diagnosi assistita e un magazzino ben gestito fanno la differenza.
Disponibilità. Si stima come MTBF / (MTBF + MTTR). Con MTBF di 500 ore e MTTR di 5 ore ottieni circa il 99%.
Affidabilità e disponibilità non sono la stessa cosa. L’affidabilità è la probabilità che la macchina funzioni senza guasti per un certo tempo. La disponibilità è la quota di tempo in cui la macchina è effettivamente in grado di lavorare, al netto di guasti e manutenzioni. In alcuni contratti di servizio la disponibilità è un obbligo misurato: un esempio pubblico è il capitolato dell’Agenzia delle Dogane e dei Monopoli, con livelli di servizio e penali legati alla disponibilità mensile.
Per approfondire il calcolo e il miglioramento sul campo leggi la nostra guida su come misurare la disponibilità degli impianti.
Come avviare l’analisi predittiva in 6 passi
- Scegli le macchine critiche. Parti da 3 a 5 asset il cui fermo blocca la produzione o costa di più. Non serve coprire tutto il parco macchine subito.
- Censisci gli asset. Crea un’anagrafica completa: modello, matricola, manuali, componenti principali. Un QR code su ogni macchina collega l’oggetto fisico alla sua scheda digitale.
- Digitalizza ogni segnalazione. Ogni guasto diventa un ticket con macchina, componente, sintomo, causa, tempo di fermo, tempo di riparazione e ricambi usati. Usa una classificazione fissa delle cause: testo libero e sigle diverse rendono i dati inutilizzabili.
- Analizza lo storico. Dopo alcuni mesi calcola MTBF e MTTR per macchina e cerca i guasti ripetitivi. Sulle macchine con abbastanza eventi applica un modello statistico come Weibull.
- Aggiungi i sensori dove servono. Solo sugli asset critici e solo per i modi di guasto che hai già identificato: vibrazioni sui rotanti, temperatura o termografia sui quadri, consumi sulle linee. Collega i dati al gestionale tramite integrazione MES o IoT.
- Chiudi il cerchio. Ogni previsione deve generare un’azione: un intervento pianificato, un ordine di ricambio, una verifica. Poi controlla se la previsione era corretta e correggi il modello.
Il passo 6 è quello che separa un progetto utile da una dashboard che nessuno guarda. Inserisci gli interventi previsti nella manutenzione programmata con planning, così la squadra li vede accanto alle attività ordinarie.
Come scegliere una piattaforma per la manutenzione predittiva
Sul mercato trovi tre tipi di soluzioni: piattaforme di analytics industriale pensate per grandi impianti con team di data science, sistemi di monitoraggio legati a un tipo di sensore o a un costruttore, e CMMS che integrano funzioni predittive nella gestione quotidiana della manutenzione. Per un’azienda manifatturiera di medie dimensioni questi sono i criteri che contano.
| Criterio | Domanda da fare | Perché conta |
|---|---|---|
| Base dati | Registra ogni guasto con causa, tempi e ricambi? | Senza storico pulito nessun modello funziona |
| Facilità d’uso | Un operatore apre una segnalazione in pochi secondi? | Se segnalare è lento, i dati non arrivano |
| Integrazione | Si collega a MES, PLC o sensori IoT? | Unisce dati di campo e storico interventi |
| Diagnosi | Aiuta il tecnico con cause probabili e verifiche? | Riduce l’MTTR, non solo i guasti |
| Azione | La previsione diventa un intervento pianificato? | Una previsione senza azione non riduce i fermi |
| Costi | Il prezzo cresce con gli utenti o con le macchine? | Decide quante persone potranno usarlo davvero |
Una piattaforma predittiva separata dal gestionale crea un problema pratico: gli allarmi stanno in un sistema, i ticket in un altro e i ricambi in un foglio Excel. Conviene che previsione, intervento e gestione dei ricambi vivano nello stesso posto.
Il nostro punto di vista
Lavoriamo ogni giorno con responsabili di produzione e tecnici di aziende manifatturiere, e vediamo sempre lo stesso schema. Chi vuole fare predittiva parte dai sensori e dagli algoritmi. Chi ci riesce parte dalle segnalazioni.
Per questo abbiamo costruito Manutentya intorno a un gesto semplice: l’operatore scansiona il QR code sulla macchina e apre un ticket. Ogni intervento registra tempi, costi e storico, e il sistema calcola MTBF, MTTR e fermi macchina. Sopra questa base lavora l’assistente AI, che propone diagnosi a partire dai manuali e dalle foto, e l’analisi predittiva dei guasti, che usa lo storico per anticipare gli interventi. Dove ci sono MES o sensori, l’integrazione porta i dati di campo nello stesso sistema.
Non crediamo nella predittiva come progetto separato. Crediamo in un controllo completo sui lavori in corso e in una visione chiara delle attività future. La previsione è il risultato naturale di dati raccolti bene, ogni giorno.
— Ufficio
Prova l’analisi predittiva sul tuo parco macchine
Con Manutentya hai ticket digitali da QR code, planning in stile Gantt, statistiche MTBF/MTTR e assistente AI in un unico CMMS, con utenti illimitati inclusi nel canone. Il prezzo dipende dalle macchine, non dalle persone: canone base di 69 € al mese, più 10 € al mese per ciascun macchinario dal 1° al 10° e 7 € al mese per ciascuno dall’11° al 30°. Con 20 macchinari, per esempio, il totale è 69 + 100 + 70 = 239 € al mese. L’assistente AI è un modulo da 39 € al mese, con 4 € al mese per ogni macchinario oltre il quinto.
Puoi provarlo gratis per 7 giorni, senza costi di attivazione. Scopri i prezzi e i moduli di Manutentya e calcola il costo sul tuo impianto. Prova gratis 7 giorni →
Domande frequenti
Cosa vuol dire manutenzione predittiva?
È una strategia che interviene sulla macchina in base al suo stato reale, misurato con dati e analizzato con modelli statistici o di AI. L’obiettivo è stimare quando un componente si guasterà e intervenire poco prima. Si differenzia dalla preventiva, che segue intervalli fissi, e dalla reattiva, che interviene a guasto avvenuto.
Qual è la formula per calcolare il tasso di guasto?
Il tasso di guasto λ è il numero di guasti diviso per le ore di funzionamento nel periodo considerato. Con 4 guasti in 2.000 ore ottieni 0,002 guasti/ora. Se il tasso è costante, il suo inverso è l’MTBF, in questo caso 500 ore.
Si può fare analisi predittiva su macchinari vecchi senza sensori?
Sì. Con uno storico di guasti ordinato puoi applicare metodi statistici come la distribuzione di Weibull e individuare guasti ripetitivi e componenti in usura. I sensori si aggiungono dopo, solo sulle macchine critiche.
Quali sono esempi di metodi predittivi?
Analisi delle vibrazioni, termografia, analisi dei lubrificanti e monitoraggio dei consumi elettrici sono i metodi di misura più diffusi. Sul lato dell’analisi si usano la statistica di affidabilità, le reti bayesiane, il machine learning come Random Forest e SVM e il deep learning come le reti LSTM.
Fonti
- Procedura di gestione della manutenzione, MASE (va.mite.gov.it)
- Data-Driven Reliability: Insights from Field to Headquarters
- Application of Two-Parameter Weibull Distribution for Predictive Maintenance: A Case Study
- Screening of Machine Learning Techniques on Predictive Maintenance: a Scoping Review
- Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects
- DeepESN Neural Networks for Industrial Predictive Maintenance through Anomaly Detection from Production Energy Data
- A Bayes Network to Predict the Equipment Deterioration
- Livelli di servizio e penali, Agenzia delle Dogane e dei Monopoli