Migliorare la manutenzione predittiva alla Nordic Sugar

Individuare il problema

I guasti imprevedibili della valvola di scarico rappresentavano un rischio operativo significativo. “Non potevamo prevedere quando si sarebbe rotta e spesso accadeva in momenti inopportuni, causando tempi di inattività non programmati”, spiega Jørgensen-Juul. “Questa imprevedibilità era costosa e disastrosa”.

Per affrontare questo problema, Nordic Sugar ha deciso di implementare una strategia di manutenzione predittiva utilizzando il machine learning. “Ci siamo resi conto che esisteva un’opportunità di business per investire in tecnologie di manutenzione predittiva di alto livello, anche se sono costose”, osserva Jørgensen-Juul.

Implementare l’apprendimento automatico per la manutenzione predittiva

Il processo di implementazione è iniziato con un’ampia raccolta di dati. “Abbiamo raccolto dati da vari sensori e dal nostro sistema di controllo distribuito (DCS), combinandoli con i dati storici dei guasti”, spiega Jørgensen-Juul. “La parte più difficile è stata trasformare questi dati in modo che potessero essere compilati e utilizzati per addestrare il modello di apprendimento automatico”. Ha anche sottolineato l’importanza della qualità dei dati. “Una buona qualità dei dati è alla base di qualsiasi progetto di apprendimento automatico di successo. Non si tratta solo di avere molti dati, ma di assicurarsi che siano accurati e pertinenti”, osserva. In una fase successiva, il modello è stato addestrato a riconoscere gli schemi che indicano potenziali fallimenti. “Il modello multidimensionale esamina gli schemi di diverse variabili e prevede quando potrebbe verificarsi un guasto”, spiega Jørgensen-Juul. “Questo ci permette di stimare la vita utile residua del componente e di programmare la manutenzione di conseguenza”.

Risultati e insegnamenti

I risultati di questa iniziativa sono stati promettenti. Nel primo anno, le previsioni del modello erano sbagliate di soli 13 giorni. “Si è trattato di un miglioramento significativo”, afferma Jørgensen-Juul. “Ci ha permesso di prendere decisioni più informate su quando effettuare la manutenzione”.

Tuttavia, il progetto non è stato privo di sfide. “Nel 2023, le nostre previsioni erano sbagliate di 35 giorni, il che ha rappresentato una battuta d’arresto. Ci siamo resi conto che le piccole modifiche apportate ai macchinari dai nostri tecnici avevano influenzato l’accuratezza del modello. L’algoritmo di ML non era stato addestrato a considerare i cambiamenti strutturali della macchina stessa. Ora sappiamo che anche piccole modifiche possono compromettere seriamente l’accuratezza della previsione RUL”.

Ciononostante, il progetto ha dato vita a preziose intuizioni. “Abbiamo imparato molto sulla sensibilità dei modelli di apprendimento automatico e sull’importanza di mantenere un sistema stabile”, ha dichiarato Jørgensen-Juul. “Questi insegnamenti sono preziosi per continuare a perfezionare il nostro approccio”.

Impatto

Una delle motivazioni principali di questo progetto è stata la creazione di un solido business case per la manutenzione predittiva. “Normalmente eseguiamo una campagna di 110 giorni e vediamo un guasto solo dopo 85 o 90 giorni”, spiega Jørgensen-Juul. “In passato, sostituivamo il rotore e i componenti interni al momento del guasto e di nuovo dopo la fine della campagna, solo per essere sicuri di poter completare la campagna successiva senza problemi. Questo non era economicamente vantaggioso”.

Utilizzando la manutenzione predittiva, Nordic Sugar mirava a prolungare la vita di questi componenti. “L’obiettivo era evitare sostituzioni premature e ridurre il numero di pezzi di ricambio utilizzati. Il successo del primo anno ha dimostrato che potevamo prevedere i guasti con un margine di 13 giorni, il che rappresenta un enorme miglioramento”, osserva Jørgensen-Juul. “Anche con la battuta d’arresto del secondo anno, abbiamo acquisito informazioni fondamentali per migliorare i nostri modelli e processi”.

Applicazioni future e sostenibilità

In prospettiva, Nordic Sugar ha in programma di espandere l’uso della manutenzione predittiva. “Siamo cauti nell’applicare l’apprendimento automatico a causa della sua richiesta di risorse”, spiega Jørgensen-Juul. “Ma per i componenti critici con alti costi di guasto e alternative limitate per la manutenzione basata sulle condizioni, vale la pena investire”.

Il progetto si allinea anche agli obiettivi di sostenibilità di Nordic Sugar. “La sostenibilità si guadagna davvero con la manutenzione predittiva. Ci aiuta a prolungare la vita delle nostre attrezzature, riducendo la necessità di pezzi di ricambio e minimizzando gli sprechi”, afferma Jørgensen-Juul. “È una parte fondamentale della nostra strategia per migliorare l’efficienza delle risorse e ridurre l’impatto ambientale. Più tempo possiamo aspettare prima di sostituire i pezzi, più risorse conserviamo. Il personale di manutenzione, anche se esperto, può approssimare solo fino a un certo punto, ma l’apprendimento automatico può ridurre l’accuratezza a circa il 2%”.

Opportunità di apprendimento

Il successo dello stabilimento Nordic Sugar di Nakskov offre lezioni preziose per l’intero settore.

“La manutenzione predittiva può migliorare significativamente l’efficienza operativa e la sostenibilità”, afferma Jørgensen-Juul. “Tuttavia, è essenziale avere un business case chiaro e un sistema stabile. Inoltre, è fondamentale coinvolgere il personale tecnico nel processo, poiché è l’unico in grado di collegare il comportamento e i guasti delle apparecchiature alle tendenze dei dati”.

Anders Jørgensen-Juul presenterà in dettaglio il caso Nordic Sugar alla conferenza Asset Performance 2024 che si terrà ad Anversa, in Belgio, il 13 e 14 novembre 2024. La sua presentazione offrirà un approfondimento sulle sfide, le soluzioni e gli insegnamenti tratti dal progetto, fornendo preziose indicazioni ai professionisti del settore della manutenzione e dell’affidabilità. Non perdere l’opportunità di imparare da un esperto del settore. Registrati subito ad Asset Performance 2024 e partecipa alla conversazione sul futuro della manutenzione e della gestione degli asset.