Partire da ciò che sappiamo dell'asset, non da un foglio bianco.
Un Blueprint descrive come si osserva un modo di guasto su un tipo di asset: segnali necessari, parametri, il pattern di degrado atteso (trend crescente, deriva del residuo, errore di inseguimento, asimmetria, velocità di decadimento, segnale piatto), i modi di guasto collegati e i motori di analisi adatti. Si clona su molte unità e si adatta a ogni impianto. Oggi: centinaia di Blueprint per eolico, fotovoltaico e idroelettrico, definiti sulla base FTA e su una tassonomia di 192 tipi di componente in stile ISO 14224.
Esempio. Il Blueprint “cuscinetti del generatore” di una turbina eolica sa già quali temperature servono, rispetto a quali condizioni di carico e ambientali, e com'è fatto il degrado atteso. Applicarlo a cinquanta turbine richiede la mappatura dei tag, non cinquanta progetti.
Pompe, motori, compressori e altre macchine industriali: gli stessi motori di analisi e il wizard dei Blueprint costruiscono il loro Blueprint sui vostri dati, su progetto.
Distinguere un'emergenza da un rischio gestibile.
Ogni segnale di degrado è collegato al suo modo di guasto e all'albero dei guasti dell'asset (271 nodi di guasto nel catalogo). Le matrici di rischio pesano sicurezza, ambiente e continuità del servizio; i minimal cut set mostrano quali eventi base portano al guasto del sistema.
Esempio (illustrativo). Su un gruppo idroelettrico, la temperatura di un cuscinetto guida esce dalla sua banda. Sibilla mostra a quale modo di guasto si riferisce, dove si colloca nell'albero fino al blocco del gruppo e quanto pesa su sicurezza, ambiente e continuità.
Dagli algoritmi a un semaforo che ogni manutentore capisce.
I Key Diagnostic Indicator (KDI) trasformano i risultati dei modelli in uno stato verde, giallo o rosso per ogni modello, con storico interattivo, valori previsti e reali a confronto, bande di confidenza, un punteggio di somiglianza al pattern di degrado atteso e un registro di ogni esecuzione.
Esempio (illustrativo, dati simulati). Il moltiplicatore di una turbina passa al giallo. Aprite lo storico: da dieci giorni la temperatura dell'olio è fuori dalla banda prevista, a parità di vento e potenza.
Il modello giusto per ogni segnale. E dati di cui fidarsi.
Un catalogo di 14 motori di analisi, dai modelli statistici al deep learning, verificati prima dell'uso in campo: in campo usiamo solo ciò che ha superato le verifiche (oggi regressione, scostamento dalla baseline e confronto tra unità gemelle). Ogni modello riporta bande di confidenza e metriche di errore. Prima dei modelli, la dashboard di qualità dei dati controlla ogni punto di misura: dati mancanti, congelati, duplicati o fuori range.
Esempio. Un sensore di temperatura “congelato” su un inverter restituisce lo stesso valore da tre giorni. Sibilla lo segnala come problema di dati, non come guasto, ed evita un falso allarme.
Ogni allarme porta a una decisione informata.
Il ciclo della manutenzione predittiva: acquisizione → qualità dei dati → modelli → KDI → modo di guasto e rischio → decisione dell'esperto. Lo stato peggiore tra i modelli di un asset alimenta la dashboard Asset Health e il calendario degli eventi.
Esempio. Il KDI di un cuscinetto diventa rosso; la pagina dell'asset mostra il modo di guasto collegato, i segnali fuori banda e il rischio. Il responsabile della manutenzione decide l'ispezione.
- Disponibile
KDI, alberi dei guasti, Asset Health
- Su progetto
Ispezioni suggerite dall'albero dei guasti; apertura di avvisi nel vostro CMMS/ERP (SAP PM e altri)
L'AI spiega, l'esperto decide.
Sibilla espone le sue funzioni tramite un'API REST e un server MCP, così un assistente AI può leggere i risultati già calcolati e descriverli in parole semplici (perché il KDI è giallo, quali segnali hanno pesato di più, cosa controllare). Il rilevamento resta deterministico e verificabile; l'AI spiega, non decide.
Esempio (illustrativo). “Perché il cuscinetto del generatore è giallo da martedì?” → una risposta che indica i segnali che hanno contribuito di più, con i link ai grafici.
Disponibile
