La manutenzione predittiva basata su IoT usa sensori collegati ai macchinari per misurare in continuo vibrazioni, temperature, assorbimenti e pressioni. Un software analizza questi dati e segnala quando un componente inizia a degradarsi, prima che si rompa. Il risultato pratico è uno solo: intervieni quando serve davvero, in una finestra che pesa poco sulla produzione, invece di subire il guasto o sostituire pezzi ancora buoni. In questa guida trovi cosa misurare, quali dispositivi servono, come il dato diventa un intervento e da dove partire senza riempire lo stabilimento di sensori inutili.
In breve
- L’IoT raccoglie i dati, il software decide cosa farne. Senza un sistema che trasformi l’allarme in un ticket assegnato a un tecnico, i sensori producono solo grafici.
- Non serve monitorare tutto. Si parte dagli asset critici: pompe, riduttori, cuscinetti, motori che fermano la linea quando si guastano.
- Molti dati ci sono già. PLC e SCADA registrano cicli, allarmi e stati macchina che spesso bastano per i primi modelli.
- La qualità dello storico conta più dell’hardware. Un modello predittivo impara solo se i guasti passati sono registrati bene.
- La sicurezza informatica fa parte del progetto. Ogni dispositivo connesso è un possibile punto di accesso alla rete di fabbrica.
Indice
- Cos’è la manutenzione predittiva basata su IoT
- I quattro tipi di manutenzione a confronto
- Quali dispositivi IoT servono davvero
- Dal sensore al ticket: come funziona la catena
- Il ruolo dell’intelligenza artificiale predittiva
- Perché molti progetti si fermano ai dati
- Sicurezza informatica: il rischio che si dimentica
- Da dove partire: un piano in sei passi
- Quanto costa il livello software con Manutentya
- Il nostro punto di vista
- Domande frequenti
- Fonti
Cos’è la manutenzione predittiva basata su IoT
La manutenzione predittiva stima lo stato di salute di un macchinario partendo dai dati di funzionamento. Non si basa sul calendario (“cambio il cuscinetto ogni 6 mesi”) né sul guasto già avvenuto. Si basa sulla condizione reale del componente.
L’Internet of Things è la rete che rende possibile questo approccio. Sensori, gateway e connessioni portano le misure dal bordo macchina a un sistema centrale, in modo continuo e senza fermare l’impianto. Un tecnico con un analizzatore portatile può fare una misura a settimana. Un sensore connesso ne fa migliaia al giorno.
In Italia la base tecnologica c’è, ma l’analisi dei dati resta indietro. Secondo il report ISTAT sulle ICT nelle imprese 2019-2020, il 23,1% delle imprese con almeno 10 addetti usa dispositivi IoT, mentre l’intelligenza artificiale è usata dal 7,9% delle PMI contro il 26,3% delle grandi imprese. Lo stesso report rileva che l’8,6% delle imprese analizza internamente big data e che il 31,1% di queste usa dati da sensori. Tradotto: tante aziende hanno macchine connesse, poche trasformano quei dati in decisioni di manutenzione.
I quattro tipi di manutenzione a confronto
La predittiva non sostituisce gli altri approcci. Li completa. In uno stabilimento reale convivono quasi sempre tutti e quattro, assegnati asset per asset.
| Tipo | Quando intervieni | Dati necessari | Dove ha senso |
|---|---|---|---|
| Correttiva | Dopo il guasto | Nessuno in anticipo | Componenti economici, ridondati, non critici |
| Preventiva | A scadenza fissa (ore, cicli, calendario) | Contatori e storico interventi | Usura regolare, obblighi normativi, ispezioni |
| Predittiva | Quando i dati indicano degrado | Misure continue da sensori, PLC, SCADA | Asset critici con guasti costosi e segnali misurabili |
| Prescrittiva | Quando il sistema prevede il guasto e suggerisce l’azione | Dati di condizione più storico di diagnosi e soluzioni | Parchi macchine maturi, con storico ben documentato |
La preventiva resta la base: se non hai ancora un piano di interventi programmati affidabile, parti da lì. Ne parliamo nella guida su manutenzione preventiva e software CMMS. La predittiva si aggiunge sopra, sulle macchine dove un fermo improvviso costa davvero.
Quali dispositivi IoT servono davvero
La domanda giusta non è “quanti sensori installo”, ma “quale modo di guasto voglio vedere in anticipo”. Ogni guasto lascia una traccia diversa.
| Grandezza | Cosa rivela | Asset tipici |
|---|---|---|
| Vibrazioni | Squilibri, disallineamenti, usura di cuscinetti e ingranaggi | Motori, pompe, riduttori, ventilatori |
| Temperatura | Attriti anomali, lubrificazione insufficiente, sovraccarichi | Cuscinetti, quadri elettrici, motori |
| Corrente assorbita | Sforzi meccanici, problemi elettrici, intasamenti | Motori, pompe, compressori |
| Pressione e portata | Perdite, cavitazione, filtri intasati | Impianti idraulici e pneumatici, pompe |
| Ultrasuoni e acustica | Perdite d’aria, scariche elettriche, primi segni di usura | Reti di aria compressa, valvole |
| Dati PLC e SCADA | Cicli, allarmi, tempi ciclo, stati macchina | Tutta la linea |
Due indicazioni pratiche.
Le vibrazioni richiedono campionamenti fitti. Una lettura ogni dieci minuti non basta per diagnosticare un cuscinetto: serve acquisire la forma d’onda ad alta frequenza. Per questo molte architetture elaborano il segnale direttamente vicino alla macchina. Un lavoro di ricerca sulla diagnostica delle vibrazioni su dispositivi edge mostra come l’analisi in locale riduca i colli di bottiglia di banda e di archiviazione legati al monitoraggio continuo.
Non servono per forza sensori costosi. Esistono soluzioni non intrusive e a basso costo per gli asset più diffusi. Uno studio del 2025 sulle pompe industriali descrive una piattaforma IoT non intrusiva ed economica pensata proprio per la manutenzione predittiva dei sistemi di pompaggio. Prima di comprare hardware, verifica cosa ti danno già PLC e SCADA: cicli, allarmi e stati macchina coprono spesso una buona parte dei casi.
Dal sensore al ticket: come funziona la catena
Un progetto di manutenzione predittiva funziona solo se ogni anello è collegato al successivo. Ecco la catena completa, dal bordo macchina al tecnico.
- Acquisizione. Sensori e PLC misurano le grandezze fisiche sul macchinario.
- Elaborazione locale (edge). Un gateway filtra i dati grezzi, calcola indicatori sintetici e invia solo ciò che serve. Se la connessione cade, il monitoraggio continua.
- Analisi. Una piattaforma o un modello di IA confronta i dati con il comportamento normale e individua le deviazioni.
- Contesto. Il dato viene letto insieme alla produzione: un picco di vibrazione durante un cambio formato non è un’anomalia.
- Azione. L’allarme diventa un ticket nel CMMS: assegnato, con priorità, con lo storico della macchina, i ricambi necessari e una data compatibile con il planning.
Il quinto passo è quello che quasi tutti i progetti sottovalutano. Un allarme su una dashboard che nessuno guarda di notte non evita il fermo. Un ticket assegnato al tecnico giusto, con il ricambio già verificato a magazzino, sì. Per questo l’integrazione tra sistemi di fabbrica e gestione della manutenzione è centrale: ne trovi i dettagli nell’approfondimento sull’integrazione MES per la manutenzione industriale.
Cosa deve contenere il ticket generato da un allarme
- Macchinario e componente coinvolti, identificati in modo univoco
- Valore misurato, soglia superata e andamento recente
- Priorità e tempo stimato prima del guasto, se il modello lo fornisce
- Interventi precedenti sullo stesso componente
- Ricambi necessari e disponibilità a magazzino
- Finestra di intervento proposta, in base al piano di produzione
Il ruolo dell’intelligenza artificiale predittiva
L’intelligenza artificiale predittiva non indovina il futuro. Riconosce schemi ricorrenti nei dati di funzionamento passati e segnala quando il comportamento attuale se ne discosta. Più lo storico è ricco e ordinato, più la previsione è affidabile.
La letteratura scientifica conferma che il passaggio chiave è questo. Una rassegna del 2024 sui modelli di pianificazione e le tecniche di machine learning per la manutenzione predittiva analizza come i metodi reattivi tradizionali non bastino più a contenere i fermi e come le strategie basate sui dati richiedano modelli addestrati su storici affidabili.
Nella pratica di reparto, l’IA è utile in due momenti.
- Prima del guasto: individua l’anomalia e stima quanto tempo resta.
- Durante l’intervento: aiuta il tecnico a capire cosa sta succedendo, consultando manuali, storico e foto del componente.
Il secondo punto conta quanto il primo. Un allarme che dice “vibrazione alta sul riduttore 3” è un inizio. Una diagnosi che indica la causa probabile, il capitolo del manuale e il ricambio da preparare fa risparmiare ore. Abbiamo approfondito il tema nella guida alla diagnosi guasti dei macchinari con l’AI e in quella sulla manutenzione predittiva con intelligenza artificiale.
Perché molti progetti si fermano ai dati
Il motivo più frequente non è l’hardware. È la qualità dello storico. Un modello predittivo deve collegare i segnali dei sensori ai guasti realmente avvenuti. Se i guasti passati sono annotati su fogli sparsi, con descrizioni vaghe e senza data precisa, il modello non ha nulla da cui imparare.
Gli errori che vediamo più spesso:
- Interventi non registrati o registrati male. “Sistemato” non è una diagnosi.
- Macchinari senza anagrafica univoca. Se la stessa pressa ha tre nomi diversi, i dati non si collegano.
- Fermi non classificati. Senza distinguere guasto, attrezzaggio e mancanza materiale, i calcoli di MTBF e MTTR sono falsati.
- Modelli prima dei dati. Si compra la piattaforma di IA e si scopre di non avere uno storico utilizzabile.
La soluzione è banale da dire e richiede disciplina: registrare ogni intervento in modo strutturato, da subito. Un CMMS con ticket digitali e anagrafica macchinari costruisce lo storico che domani addestrerà il modello. Ogni ticket chiuso oggi è un dato etichettato per la predittiva di domani.
Sicurezza informatica: il rischio che si dimentica
Ogni sensore, gateway e connessione al cloud aumenta la superficie di attacco della rete di fabbrica. Un sistema di monitoraggio mal protetto può diventare la porta d’ingresso verso i sistemi di produzione.
L’agenzia europea per la cibersicurezza ha pubblicato buone pratiche per la sicurezza dell’IoT industriale che restano un buon riferimento. In sintesi operativa:
- Separa la rete dei dispositivi IoT dalla rete aziendale e da quella dei PLC.
- Usa comunicazioni cifrate fin dal livello del sensore e del gateway.
- Cambia le credenziali predefinite e gestisci gli aggiornamenti firmware.
- Definisci chi può accedere ai dati e da dove.
Se la tua azienda non ha competenze interne di sicurezza OT, coinvolgi il responsabile IT o un consulente di cybersecurity industriale prima di collegare i primi dispositivi, non dopo.
Da dove partire: un piano in sei passi
Un progetto predittivo non parte dai sensori. Parte dall’organizzazione della manutenzione.
- Censisci il parco macchine. Ogni asset con codice univoco, posizione, documentazione e storico. Un QR code applicato sulla macchina rende l’anagrafica accessibile dal reparto.
- Digitalizza i ticket. Ogni guasto e ogni intervento registrati con causa, tempi, ricambi e tecnico. È lo storico che servirà ai modelli.
- Misura i fermi. Calcola MTBF e MTTR per macchina. Ti dicono dove si perde davvero produzione.
- Scegli 3-5 asset pilota. Quelli con fermi frequenti, costosi e con segnali di degrado misurabili.
- Collega i dati che hai già. PLC, SCADA e MES prima di nuovi sensori. Aggiungi sensori solo dove mancano informazioni.
- Trasforma gli allarmi in ticket. Definisci soglie, priorità e responsabili. Poi misura: i fermi improvvisi sugli asset pilota calano?
Dopo 6-12 mesi di dati ordinati hai una base concreta per decidere se estendere il monitoraggio ad altri asset. Se stai valutando lo strumento software, la nostra guida su come scegliere il software CMMS adatto elenca i criteri da verificare.
Quanto costa il livello software con Manutentya
Manutentya è il CMMS che fa da centro della catena: anagrafica macchinari con QR code, ticket aperti dal reparto con una scansione, manutenzione programmata in stile Gantt, statistiche MTBF/MTTR e fermi macchina, integrazione MES/IoT, assistente AI che propone diagnosi da manuali e foto e analisi predittiva dei guasti. Gli utenti sono illimitati: paghi in base ai macchinari e ai moduli attivati.
Un esempio per uno stabilimento con 20 macchinari che vuole collegare i dati di produzione:
| Voce | Calcolo | Costo mensile |
|---|---|---|
| Canone base | 69 € | |
| Macchinari dal 1° al 10° | 10 × 10 € | 100 € |
| Macchinari dall’11° al 20° | 10 × 7 € | 70 € |
| Modulo Integrazione MES | 79 € | |
| Totale | 318 € al mese |
Se aggiungi l’Assistente AI (39 € al mese, più 4 € al mese per ogni macchinario oltre il quinto), il Magazzino ricambi e costi (29 € al mese) o la gestione Multi-sede (39 € al mese), il costo cresce solo per ciò che usi. Trovi tutte le voci nella pagina prezzi di Manutentya.
Puoi provare tutto per 7 giorni gratis, senza costi di attivazione. Prova gratis 7 giorni →
Il nostro punto di vista
Lavoriamo ogni giorno con responsabili di produzione e tecnici di aziende manifatturiere. La lezione più chiara è questa: la manutenzione predittiva non fallisce per mancanza di sensori, fallisce per mancanza di processo. Abbiamo visto stabilimenti con dashboard piene di curve e reparti che continuano a segnalare i guasti a voce.
Per questo abbiamo costruito Manutentya partendo dal tecnico. Un operatore inquadra il QR code sulla macchina e apre un ticket in pochi secondi. Il responsabile vede in tempo reale cosa è aperto, cosa è in corso e cosa è pianificato. Costi, tempi e storico degli interventi restano in un unico sistema. Quando arrivano i dati da MES e IoT, trovano un processo già pronto a riceverli: l’allarme diventa un intervento, non una notifica ignorata.
L’intelligenza artificiale, per noi, deve essere utile al tecnico davanti alla macchina ferma: proporre una diagnosi a partire da manuali e foto, rispondere alle domande tecniche, suggerire dove guardare. La previsione del guasto è il traguardo. Uno storico ordinato e ticket ben chiusi sono la strada per arrivarci. Approfondiamo il tema nella pagina sul nostro modulo di intelligenza artificiale per la manutenzione.
— Ufficio
Domande frequenti
Che cos’è la manutenzione predittiva?
È una strategia che pianifica gli interventi in base alle condizioni reali del macchinario, misurate con sensori e dati di processo. Invece di intervenire a guasto avvenuto o a scadenza fissa, intervieni quando i dati mostrano un degrado. Così riduci i fermi improvvisi ed eviti di sostituire componenti ancora in buono stato.
Quali sono i dispositivi IoT usati nella manutenzione predittiva?
I più diffusi sono sensori di vibrazione, temperatura, corrente assorbita, pressione e ultrasuoni, collegati a gateway che elaborano e trasmettono i dati. A questi si aggiungono le informazioni già raccolte da PLC, SCADA e MES. La scelta dipende dal modo di guasto che vuoi intercettare su ogni asset.
Quali sono i 4 tipi di manutenzione?
Correttiva, preventiva, predittiva e prescrittiva. La correttiva ripara dopo il guasto, la preventiva interviene a scadenze fisse, la predittiva anticipa il guasto con i dati e la prescrittiva suggerisce anche l’azione migliore. In uno stabilimento convivono di solito tutte, assegnate in base alla criticità di ogni macchina.
Serve un CMMS se ho già una piattaforma IoT?
Sì, perché la piattaforma IoT rileva l’anomalia ma non organizza l’intervento. Il CMMS assegna il lavoro, verifica i ricambi, lo inserisce nel planning e registra l’esito. Senza questo passaggio l’allarme resta un dato e lo storico che migliora le previsioni non si costruisce.
Fonti
- ISTAT, Imprese e ICT 2019-2020
- Diagnostica delle vibrazioni su dispositivo edge RISC-V multi-core (arXiv)
- Sistema IoT non intrusivo e a basso costo per la manutenzione predittiva delle pompe industriali (Electronics, 2025)
- Predictive maintenance in Industry 4.0: a survey of planning models and machine learning techniques (PMC, 2024)
- ENISA, Good practices for security of IoT