h-header

header
main

dynamic

content

post

17 - TRL7 - una chiave di volta per l’architettura del service antincendio del futuro

Autore Gianfranco Rocchi | Chief Communication Officer | 10 Settembre 2021 |

Nelle ultime settimane, su queste colonne, abbiamo parlato di come le innovazioni che il futuro ci riserva nei prossimi anni impatteranno, probabilmente, anche sul service antincendio.

Abbiamo parlato di dati, della loro raccolta e delle sfide per la loro interpretazione, abbiamo affrontato il tema di come questi dati potranno entrare nel flusso di lavoro, attraverso i device di realtà aumentata e mista.

Ma c’è un elemento, chiave di volta del di questo sistema che andiamo descrivendo, di cui non abbiamo ancora parlato.

Si tratta delle piattaforme che quei dati raccolgono, all’interno delle quali gli algoritmi li elaborano e attraverso le quali i diversi device si interfacciano.

 

Abbiamo usato il tempo presente per l’ultima frase perché, in una certa misura, queste piattaforme già sono presenti sul mercato. La declinazione futura riguarderà l’evoluzione dell’integrazione di questi sistemi, il miglioramento delle performances e – per quanto riguarda il nostro settore – l’affermazione in ambito di service antincendio.

 

Le piattaforme per la gestione delle manutenzioni non solo miglioreranno la collaborazione tra i team di manutenzione supportandoli nell'identificazione, analisi e risoluzione delle interruzioni, ma aiuteranno anche a garantire la conformità e l'aderenza agli standard di sicurezza. Le piattaforme dotate di funzionalità di analisi dei dati potranno consentire ai professionisti della manutenzione di utilizzare i dati per verificare la conformità normativa e per scopi di audit.

 

Gli attuali sistemi di manutenzione predittiva sono in genere soluzioni che guardano al singolo impianto o addirittura al singolo fenomeno rilevato (temperatura, power quality, vibrazioni); rilevano lo stato di un singolo componente all'interno dell'impianto, sia esso un motore, una pompa, un cuscinetto, etc..

Manca ancora un uso efficace della visione cronologica delle performance e di comparazione tra i trend che consenta al sistema di apprendere dalla sua precedente base di conoscenza.

 

Non solo, come abbiamo visto nel primo articolo di questa serie, algoritmi avanzati di machine learning e modelli ibridi potranno aiutare, e già oggi in taluni casi lo fanno, a stimare lo stato di salute dell'asset e consentire di prevedere il prossimo probabile ciclo di manutenzione. Dopo aver ricevuto le notifiche dal motore di analisi, in base alla vita utile residua dell'apparecchiatura prevista il team di manutenzione potrà così mettersi all'opera. Il ruolo della piattaforma sarà quindi cruciale come spazio di collaborazione tra l’intelligenza umana e quella artificiale. Tuttavia, oggi, la base di conoscenza generata da queste azioni e operazioni non viene integrata nel ciclo successivo.

Shreyans P. Bathiyan e Umesh Vikram Singh di Capgemini, nel progettare la prossima generazione di sistemi di gestione della manutenzione predittiva, ad esempio, intendono superare questo limite per fare in modo che alla fine di ogni ciclo di manutenzione, il sistema proposto migliorerà le prestazioni del modello predittivo sulla base degli input dei dati di input precedenti ricavati dalla knowledge base di manutenzione. Un sistema di valutazione inoltre utilizzerà questi registri per valutare le prestazioni del modello predittivo confrontando il risultato del modello con i risultati effettivi.

La registrazione delle attività è un concetto connaturato al mondo della sicurezza antincendio, proprio perchè un sistema di spegnimento entrando in funzione solo al momento dell'incendio o durante i test, non può essere costantemente monitorato. La gestione digitale di questi dati e la raccolta in automatico ed in continuo di un altro set di valori, da parte di sensoristica IoT, che integra i controlli periodici, potrebbe rendere maggiormente noto non solo il grado di disponibilità del sistema antincendio ma la qualità stessa dell'impianto installato (aspetto cruciale per un cliente che, non impiegando l'impianto antincendio come un impianto di processo, difficilmente si rende conto della sua reale capacità di assolvere ai compiti per cui è realizzato).

 

Un aspetto che potrà avere rilevanti conseguenze positive sull'operatività degli impianti riguarderà l'integrazione delle notifiche del sistema di manutenzione predittiva con i sistemi di gestione del magazzino per stoccare o approvvigionate al momento giusto i pezzi di ricambio richiesti. È ragionevole immaginare che in futuro tali sistemi saranno in grado di generare autonomamente e con sempre minore supervisione umana gli ordini di approvvigionamento ai fornitori.

Pianificando così i fermi manutentivi in funzione della disponibilità delle parti di ricambio, delle interferenze con le attività protette, il sistema potrà proporre una calendarizzazione delle manutenzioni integrando attività manutentive a bassa priorità tenute in sospeso, sullo stesso impianto, durante il fermo manutentivo, riducendo così al minimo i tempi di fermo macchina complessivi.

Tutti questi dettagli di ottimizzazione operativa combinati con la knowledge base di manutenzione possono essere archiviati come una singola knowledge base specifica delle risorse. Questa conoscenza storica verrà quindi utilizzata per l'analisi delle prestazioni e il confronto di risorse simili (dal punto di vista di un installatore di sistemi antincendio, poter confrontare gli impianti installati presso diversi clienti, in differenti contesti, potrebbe fare emergere un livello di informazione ulteriore). Tutto questo insieme di feedback che solo una piattaforma consente di integrare, aiuterà a migliorare il potere predittivo del modello

  • https://www.powermag.com/how-digital-disruption-will-reshape-the-maintenance-management-sector/
  • https://www.theagilityeffect.com/en/about/innovation-enemy-maintenance/
  • https://iiot-world.com/predictive-analytics/predictive-maintenance/next-generation-analytics-is-doing-tremendous-things/
  • https://www.sciencedirect.com/science/article/abs/pii/S0957417413000298
  • https://reader.elsevier.com/reader/sd/pii/S2212827120305746?token=6485725E01DBB87066A996C52591804C17559D9E05D5DD8FF2901CC22F74E32458494FAFD49DCB0F3B6F957841A32D29&originRegion=eu-west-1&originCreation=20210719103555
  • https://link.springer.com/article/10.1007/s40436-017-0202-9
  • https://www.researchgate.net/publication/352562038_Expert_Panel_Preventive_Maintenance_of_Heritage_Buildings_and_Fuzzy_Logic_System_An_Application_in_Valdivia_Chile
  • https://www.orange-business.com/en/magazine/more-quick-fix-how-augmented-reality-can-change-maintenance-forever
  • https://www.researchgate.net/publication/273973453_Augmented_Reality_and_the_Future_of_Maintenance

 

Per scaricare questo articolo in versione pdf Clicca QUI

note sull'autore

Gianfranco Rocchi è curatore del digital content marketing di Mozzanica&Mozzanica Srl; con una formazione accademica in storia economica, ha una esperienza di oltre quindici anni nella consulenza aziendale relativamente ai sistemi di gestione aziendale e della salute e sicurezza sul lavoro. È stato inoltre autore di contenuti per la televisione ed il podcasting.

 

rocchi@mozzanica.eu

  www.mozzanica.eu

  https://www.linkedin.com/in/gianfrancorocchi/

 

 

side archivio

Archivio per anno

h-footer

Mozzanica & Mozzanica Srl

 

Via Martiri della Liberazione, 12

23875 Osnago (LC) - Italy

T +39 039 2254 700

T +39 039 9910 618

F +39 039 9910 615

info@mozzanica.eu

 

PEC mozzanica@legalmail.it

 

Cap. Soc. € 400.000,00 i.v.

REA Lecco 291853

P. IVA 02555530134

Sede di Milano

 

Via G. Sforza 62

20081 Abbiategrasso (MI)

F +39 039 9910 615

Mozzanica USA LLC

 

Sede USA

2253 Vista Parkway, Suite 8

West Palm Beach, FL 33411

T +1 561 370 3597

infousa@mozzanica.eu

Social

 

© Copyright 2021 - Mozzanica&Mozzanica Srl

Privacy Policy - Cookie Policy