La manutenzione predittiva è il sogno di ogni responsabile manutenzione: la macchina ti avvisa prima di rompersi, intervieni nel momento ottimale, riduci fermi del 60-80% rispetto al modello reattivo. Ma "predittiva con AI" è anche la buzzword più abusata del 2026, e poche aziende italiane sanno davvero da dove cominciare. Vediamo la roadmap pratica.
Cosa è davvero la manutenzione predittiva
La manutenzione predittiva è un approccio che usa dati di processo letti dai sensori per prevedere il guasto e suggerire l'intervento al momento ottimale. Non è "magia AI": è statistica + machine learning su dati reali.
Esempio classico: il cuscinetto di una pressa. Quando inizia a usurarsi, la sua temperatura sale gradualmente nei mesi precedenti al guasto totale. Un sensore di temperatura sul cuscinetto + algoritmo che riconosce il trend = predizione: "questo cuscinetto si romperà tra 3-4 settimane, sostituiscilo nel prossimo fermo programmato".
I 4 prerequisiti reali
1. Dati di processo disponibili
Senza dati, niente predittiva. Servono:
- Sensori IoT (temperatura, vibrazioni, corrente assorbita, pressione).
- OPPURE PLC interconnessi che già misurano i parametri di processo.
- OPPURE retrofit con sensori esterni applicabili senza modifica macchina.
Approfondisci nell'articolo come collegare un PLC al gestionale aziendale.
2. Storico abbastanza lungo
Per "addestrare" il modello predittivo serve uno storico di almeno 6-12 mesi di dati con guasti realmente verificatisi. Senza esempi di "macchina prima del guasto", l'AI non può imparare i pattern.
3. Macchinari di valore alto
La predittiva richiede investimento iniziale (sensori, software, integrazione): 5.000-30.000 € per macchinario. Vale solo per asset dove il fermo costa migliaia di euro/ora.
4. Cultura data-driven
Il responsabile manutenzione deve essere disposto a fidarsi dei dati: se l'AI dice "intervieni ora", lo fai anche se la macchina sembra funzionare bene. Senza questa fiducia, la predittiva non si traduce in azione.
Le 3 modalità di manutenzione predittiva
Modalità 1: Statistica su KPI tradizionali
Il livello base, accessibile a tutte le aziende con un CMMS:
- L'AI analizza MTBF, MTTR, frequenza guasti, ticket priorità alta degli ultimi 6-12 mesi.
- Identifica trend: macchinari con MTBF in calo, MTTR in crescita.
- Segnala asset a rischio alto/medio/basso con motivazione.
Costo: incluso in CMMS con AI integrata. Niente sensori aggiuntivi.
Esempio output: "Pressa Engel #1 a rischio alto. MTBF in calo del 35% negli ultimi 3 mesi (da 1.800 a 1.200 ore). Suggerimento: ispezione completa entro 2 settimane."
Modalità 2: Anomaly detection su dati di processo
Livello intermedio, richiede sensori o PLC interconnessi:
- L'AI impara il "comportamento normale" della macchina (range di temperature, vibrazioni, ecc.).
- Rileva anomalie in tempo reale.
- Genera ticket automatico al rilevamento di valore fuori norma.
Costo: 5.000-15.000 €/macchinario per setup iniziale.
Modalità 3: Predizione vita residua (RUL)
Il livello avanzato, "vero" predittivo:
- L'AI predice la Remaining Useful Life di ogni componente.
- Suggerisce sostituzione al momento ottimale (né troppo presto, né troppo tardi).
- Richiede modelli ML addestrati su dati specifici dell'azienda.
Costo: 20.000-100.000 € per asset complessi. Adatto solo a macchinari mission-critical.
Roadmap pratica per PMI italiane
Anno 1: fondazioni
- Implementa un CMMS per gestire ticket strutturati.
- Costruisci storico di almeno 12 mesi di interventi tracciati.
- Calcola MTBF e MTTR per ogni macchinario.
- Identifica i top 5 asset critici (alto valore + alto fermo costoso).
Anno 2: predittiva base
- Attiva predittiva su KPI (modalità 1) sul tuo CMMS.
- Per i top 5 asset, valuta installazione di sensori IoT (temperature, vibrazioni).
- Sperimenta anomaly detection (modalità 2) su 1-2 macchine pilota.
Anno 3: scaling
- Estendi anomaly detection a tutti gli asset critici.
- Valuta predizione RUL (modalità 3) per asset di valore > 200K €.
- Integra con il monitoraggio OEE real-time e apertura ticket automatica da MES.
Errori da evitare
- Saltare la modalità 1: voler partire dalla predizione RUL senza prima aver capito MTBF/MTTR è ricetta per fallimento.
- Sensori senza obiettivo: installare 50 sensori "tanto poi vediamo" senza un piano specifico per cosa misurare.
- Niente integrazione con CMMS: la predittiva senza connessione al sistema ticket genera report che nessuno legge.
- Niente buy-in del team: se i tecnici non si fidano dell'AI, ignorano i suggerimenti.
Quanto costa davvero la manutenzione predittiva
Caso azienda 30 macchinari, 5 critici:
- CMMS con AI base (modalità 1): ~3.000-5.000 €/anno.
- Sensori IoT sui 5 critici: 25.000-75.000 € one-time.
- Software anomaly detection: 5.000-15.000 €/anno.
- Setup e formazione: 10.000-20.000 € one-time.
Investimento totale primo anno: ~50.000-120.000 €. ROI tipico: 1-3 anni per asset di alto valore con fermi costosi.
Come fa Manutentya
Il modulo AI Predittiva di Manutentya copre la modalità 1 (predittiva su KPI MTBF/MTTR) inclusa nel canone AI. Per modalità 2-3 si combina con la soluzione PLCinCloud per acquisizione dati real-time dai PLC e con il modulo Integrazione MES per apertura automatica ticket al rilevamento anomalie.
Per la diagnosi guasti, leggi anche come usare l'AI per la diagnosi guasti.
Richiedi una valutazione della maturità della tua azienda per la manutenzione predittiva.
