La manutenzione predittiva con IA sostituisce due approcci vecchi: la manutenzione "a guasto" (aspetti che si rompa, costoso) e la manutenzione preventiva a calendario (cambi pezzi anche se vanno bene, spreco). L'AI cerca un terzo modo: cambia pezzi quando stanno per rompersi.
Tool reali:
- Augury: acoustic AI per macchinari rotanti.
- Senseye (Siemens): predictive maintenance AI.
- SKF Insight, Schaeffler OPTIME: monitoraggio cuscinetti.
- Uptake: industrial AI maintenance.
- IBM Maximo Application Suite: con AI integrato.
- SAP Predictive Asset Insights: integrato in S/4HANA.
- GE Predix: focus turbine, impianti energia.
- Falkonry, Petuum: anomaly detection industrial.
Come funziona:
- Sensori IoT raccolgono vibrazioni, temperatura, corrente, pressione.
- Dati storici di guasti passati addestrano modelli ML.
- L'AI riconosce pattern pre-failure.
- Alert quando un macchinario "comincia a stare male".
- Programmazione manutenzione mirata.
Casi d'uso reali:
- Turbine eoliche, motori industriali.
- Compressori, pompe.
- Macchine utensili.
- HVAC edifici grandi.
- Flotte camion.
- Treni, infrastrutture ferroviarie.
- Asset oil&gas.
Pro reali:
- Downtime non programmato -30/50%.
- Costi manutenzione -10/30%.
- Vita utile asset estesa.
- Sicurezza migliorata.
Contro veri:
- Serve dataset di guasti: se l'asset non si è mai rotto, l'AI non sa cosa cercare.
- Sensori costosi: instrumentare asset legacy costa.
- Falsi positivi: alert continui ignorati = inutili.
- Falsi negativi: guasti improvvisi che non danno segnali.
- ROI dipende dal valore asset: per pompetta da 500 euro non vale. Per turbina da milioni sì.
- Skill: serve data scientist + ingegnere meccanico.
Verità: la predictive maintenance funziona benissimo su asset critici e costosi (rotor, turbine, motori grossi). Per macchinari standard, la manutenzione preventiva tradizionale spesso è più cost-effective.