Dall'analisi delle criticità manutentive alla Digital Transformation a basso costo: un caso applicativo in una PMI manifatturiera

Abstract

La presente tesi affronta il miglioramento della gestione manutentiva nelle piccole e medie imprese manifatturiere (PMI attraverso un percorso di digitalizzazione accessibile e sostenibile. Il lavoro nasce dalla constatazione che molte di queste realtà, pur disponendo di macchinari adeguati, gestiscono la manutenzione in modo prevalentemente reattivo, subendo fermi non programmati e costi evitabili. A partire da un dataset reale di manutenzione predittiva (AI4I 2020) , relativo a diecimila cicli di una fresatrice industriale, si quantifica lo stato attuale (AS-IS) mediante indicatori chiave quali tasso di guasto, MTBF , disponibilità, OEE e First Pass Yield, e si dimostra, tramite un'analisi di correlazione, che i guasti non sono casuali ma prevedibili a partire da parametri misurabili come usura dell'utensile, coppia e temperatura. Su questa base si progetta uno stato futuro (TO-BE): una logica di monitoraggio progressivamente più affidabile, dal controllo a soglia al controllo statistico di processo, e un'architettura di acquisizione dati (IoT) a costo contenuto. L'analisi economica conferma la sostenibilità dell'intervento per una realtà di questo tipo, con un investimento limitato a fronte di una riduzione stimata dei guasti e dei relativi costi di fermo.

This thesis addresses the improvement of maintenance management in small and medium-sized manufacturing enterprises through an accessible and sustainable digitalization path. The work stems from the observation that many SMEs, despite having adequate machinery, manage maintenance in a mainly reactive way, incurring unplanned downtime and avoidable costs. Starting from a real predictive-maintenance dataset (AI4I 2020), covering ten thousand cycles of an industrial milling machine, the current state (AS-IS) is quantified through key indicators such as failure rate, MTBF, availability, OEE and First Pass Yield, and a correlation analysis shows that failures are not random but predictable from measurable parameters such as tool wear, torque and temperature. On this basis, a future state (TO-BE) is designed: a progressively more reliable monitoring logic, from threshold-based control to statistical process control, together with a low-cost data-acquisition (IoT) architecture. The economic analysis confirms the sustainability of the intervention for an SME, requiring a limited investment against an estimated reduction of failures and related downtime costs.