Manutenzione predittiva con AI: come funziona

Un responsabile di manutenzione riceve in media una decina di alert a settimana dal sistema di monitoraggio. Il 90% sono falsi allarmi: soglie fisse tarate in modo troppo prudente, che segnalano una vibrazione o un assorbimento leggermente fuori norma senza che ci sia nulla di realmente compromesso. Dopo qualche mese, il team smette di controllarli uno per uno. Il decimo alert, quello vero, viene ignorato insieme agli altri nove.

È il motivo per cui molti progetti di monitoraggio si fermano prima di generare valore: non mancano i sensori, manca l’intelligenza che distingue un’anomalia irrilevante da un guasto in arrivo. Ed è esattamente il compito della manutenzione predittiva con intelligenza artificiale: non aggiungere altri sensori, ma insegnare al sistema a interpretare i dati che già raccoglie.

Cos’è la manutenzione e cosa cambia con “predittiva”

Per manutenzione si intende, in generale, l’insieme delle attività che mantengono un impianto o un macchinario nelle condizioni di funzionare come previsto. Il modo in cui queste attività vengono programmate distingue tre approcci molto diversi tra loro.

La manutenzione reattiva interviene dopo il guasto: è la modalità meno costosa da pianificare, ma la più costosa da subire, perché genera fermi non previsti e interventi d’urgenza. La manutenzione preventiva interviene a scadenze fisse, indipendentemente dallo stato reale del componente, riducendo le emergenze ma generando interventi anche su asset ancora perfettamente funzionanti. La manutenzione predittiva supera entrambi i limiti: monitora lo stato reale dell’impianto in continuo e interviene solo quando i dati indicano un degrado effettivo.

Manutenzione predittiva: come anticipare i guasti prima che accadano — approfondimento sulle tre strategie di manutenzione

Fin qui, la definizione non richiede necessariamente l’intelligenza artificiale: bastano sensori e soglie di allarme. Il problema, come nell’esempio di apertura, è che le soglie fisse funzionano solo per i guasti più semplici e prevedibili. Per tutto il resto, serve un livello di analisi diverso.

Perché le soglie fisse non bastano

Una soglia fissa dice: “se la vibrazione supera il valore X, genera un alert”. Funziona bene quando il comportamento normale di un asset è stabile e uniforme. Nella realtà industriale ed edilizia, però, il comportamento “normale” varia in continuo: cambia con il carico, con la stagione, con l’età del componente, con le condizioni ambientali. Una soglia unica finisce per essere troppo permissiva in alcune condizioni e troppo sensibile in altre, generando sia falsi allarmi sia guasti mancati.

I modelli di intelligenza artificiale applicati alla manutenzione predittiva risolvono il problema in modo diverso: non cercano un valore soglia, ma un pattern. Un modello di anomaly detection (rilevamento delle anomalie) impara prima come “suona” o “si comporta” quell’asset specifico in condizioni sane, costruendo una baseline dinamica che si adatta a carico e contesto. Solo dopo, segnala le deviazioni statisticamente significative da quel comportamento, non da un numero fisso scritto in un manuale.

Alcuni modelli lavorano in modo supervisionato: vengono addestrati su dati storici in cui i guasti passati sono etichettati, e imparano a riconoscere le condizioni che li hanno preceduti. Altri lavorano in modo non supervisionato, utile quando non esistono abbastanza casi di guasto storicizzati, e si limitano a segnalare ciò che si discosta dal comportamento tipico, lasciando al tecnico la valutazione finale. Una tendenza in crescita nel 2025 è quella dell’edge AI: l’elaborazione del modello direttamente a bordo macchina o su un gateway locale, che riduce la latenza tra anomalia e allarme e limita la quantità di dati grezzi da trasmettere al cloud.

I sensori che alimentano i modelli

Un modello di intelligenza artificiale, per quanto sofisticato, vale solo quanto i dati che riceve. La scelta e la qualità dei dispositivi IoT a monte restano il fattore che decide se un progetto di manutenzione predittiva con AI funziona o resta un esperimento da laboratorio.

Le categorie di sensori più rilevanti per alimentare questi modelli sono:

• Sensori vibrazionali (accelerometri): rilevano usura su cuscinetti, disallineamenti meccanici e squilibri in componenti rotanti, spesso settimane prima che il guasto sia percepibile a occhio o orecchio umano
• Sensori termici: individuano surriscaldamenti localizzati su quadri elettrici, scambiatori o motori, spesso correlati a guasti elettrici o meccanici in corso
• Sensori di assorbimento energetico: una deriva nel consumo di un motore rispetto alla propria baseline storica è tra gli indicatori più affidabili di degrado meccanico
• Sensori acustici: captano variazioni nel rumore operativo di un impianto, utili soprattutto in ambito HVAC (Heating, Ventilation, Air Conditioning, gli impianti di climatizzazione) e compressori

I criteri di scelta di questi sensori (interoperabilità, autonomia, robustezza ambientale) non sono un dettaglio tecnico secondario: un sensore che smette di comunicare o che non è integrabile con la piattaforma di analisi toglie al modello di intelligenza artificiale proprio i dati di cui ha bisogno per imparare.

Cosa sono i dispositivi IoT e come sceglierli al meglio — approfondimento sui criteri di scelta dei sensori e dell’architettura IoT

Il metodo: come si costruisce un progetto di manutenzione predittiva con AI

Un progetto di manutenzione predittiva con intelligenza artificiale segue un percorso preciso, che raramente si esaurisce in un’unica implementazione.

1. Raccolta dati e costruzione della baseline. Nelle prime settimane o mesi di monitoraggio, il sistema raccoglie dati sul comportamento normale di ciascun asset, in condizioni operative diverse (carico pieno, carico ridotto, stagionalità). Senza questa fase, il modello non ha un riferimento rispetto a cui misurare le anomalie.

2. Etichettatura dei guasti storici, dove disponibili. Se esistono registri di guasti passati (quando è successo, cosa lo ha preceduto), quei dati diventano materiale di addestramento per modelli supervisionati. Non serve un archivio enorme: anche 20-50 casi di guasto documentati per tipologia di asset possono bastare per un modello iniziale affidabile.

3. Addestramento e validazione. Il modello viene testato su dati storici non usati in addestramento, per verificare che riconosca davvero i pattern precursori e non stia semplicemente memorizzando i casi già visti.

4. Calibrazione della soglia di allarme. È il passaggio più delicato, e quello più spesso sottovalutato: un modello troppo sensibile genera falsi allarmi e alimenta l’alert fatigue (la desensibilizzazione del team dopo troppe segnalazioni infondate) descritto in apertura. Un modello troppo prudente rischia di non segnalare in tempo un guasto reale. La letteratura di settore suggerisce di preferire un modello che intercetta una quota minore di guasti con pochissimi falsi positivi, piuttosto che uno che ne intercetta quasi la totalità generando decine di allarmi infondati: il primo viene usato dal team, il secondo viene ignorato.

5. Deployment e apprendimento continuo. Una volta in produzione, il modello continua a ricevere dati e a raffinarsi: ogni intervento di manutenzione effettuato (e il suo esito) diventa nuovo materiale di addestramento, rendendo il sistema progressivamente più preciso nel tempo.

Il problema dei falsi allarmi e perché va gestito con cura

Vale la pena tornare sul punto, perché è ciò che separa un progetto di manutenzione predittiva che funziona da uno che il team smette di usare dopo pochi mesi.

Un asset industriale è in condizioni sane per il 95-99% del tempo. Questo significa che un modello ingenuo, che segnala sempre “tutto normale”, avrebbe un tasso di accuratezza apparente altissimo pur non identificando mai un guasto reale: la metrica da guardare non è l’accuratezza generica, ma la capacità di individuare i casi rari che contano davvero, senza sommergere il team di segnalazioni infondate.

Per questo, nella progettazione di un sistema di manutenzione predittiva con AI, l’obiettivo non è massimizzare il numero di anomalie rilevate, ma trovare l’equilibrio che il team può realisticamente gestire: poche segnalazioni, ma affidabili, sono più utili di molte segnalazioni su cui nessuno può più fare affidamento.

Dall’algoritmo alla decisione operativa

Il mercato della manutenzione predittiva basata su intelligenza artificiale sta crescendo a ritmi elevati, con stime di crescita annua intorno al 35% nell’industria 4.0 e un impatto economico complessivo che supera i 50 miliardi di dollari a livello globale. Ma il valore per chi gestisce impianti ed edifici non si misura nel mercato: si misura nel numero di guasti evitati, nel tempo tecnico non sprecato dietro falsi allarmi, e nella capacità di programmare un intervento prima che diventi un’emergenza.

È con questo approccio che in EKORE integriamo l’analisi predittiva nella nostra piattaforma: non solo raccolta dati da sensori IoT, ma modelli che imparano il comportamento specifico di ogni impianto e segnalano solo le anomalie che meritano davvero attenzione. Se vuoi capire come applicare la manutenzione predittiva con intelligenza artificiale al tuo patrimonio impiantistico, contattaci per una demo.

Compila il form