← Tutti gli articoli

· Rimon Soliman

Manutenzione cognitiva: oltre la predittiva, fino alla causa radice

IIoT World ha pubblicato il 20 novembre 2026 un'intervista al CEO di GroundUp AI sulla manutenzione cognitiva, che fonde suono, vibrazioni e dati termici per diagnosticare da remoto la causa del guasto. Le affermazioni sono del fornitore e non sono verificate in modo indipendente.

manutenzione cognitivaAI industrialesensor fusionSCADACMMS

Il 20 novembre 2026 IIoT World ha pubblicato un articolo basato su un'intervista video a Leon Lim, CEO e fondatore di GroundUp AI. Il tema è la manutenzione cognitiva, presentata come evoluzione della manutenzione predittiva. Va ricordato che si tratta del racconto di un fornitore: le affermazioni vanno considerate non verificate.

Predittiva e cognitiva: dove sta la differenza

La manutenzione predittiva stima quando un asset potrebbe guastarsi e di solito restituisce una scadenza temporale e un livello di severità. Poi però qualcuno deve aprire la macchina per capire il motivo: disallineamento, cavitazione, cuscinetto usurato. La manutenzione cognitiva, secondo Lim, punta a fornire da remoto la causa radice e la modalità di guasto.

"We don't just tell you when your machine will spoil. We say why your machine spoils, and how it's going to spoil."

Fusione dei sensori

L'approccio descritto sincronizza sullo stesso timestamp letture di suono, vibrazioni e temperatura, così che i tre segnali si validino a vicenda. L'articolo sostiene che i segnali cambiano prima che scattino le soglie di allarme convenzionali, e lo contrappone ai tipici sistemi predittivi monomodali, basati sulle sole vibrazioni.

Il caso della difesa navale

Prima del cambiamento, l'equipaggio ispezionava a rotazione gruppi di circa 10 macchine a ogni scalo. Le finestre di attracco duravano poche ore, quindi molte macchine restavano non controllate. Dopo l'adozione, le priorità di manutenzione derivano da allarmi remoti ordinati per severità, ciascuno con una diagnosi specifica, e la pianificazione degli acquisti parte dal modo di guasto diagnosticato.

Il risultato dichiarato è di 22 mesi consecutivi senza fermi non pianificati, con lo stesso equipaggio a coprire l'intera flotta. L'articolo però non fornisce dati di partenza e il risultato è riportato dal fornitore stesso.

Il fattore umano

L'età media dei tecnici di manutenzione esperti è salita da 48 a 52 anni in cinque anni. La GroundUp Asset Library cataloga i modelli di guasto a livello di sotto-componente, addestrandosi su ciascun tipo di errore separatamente, con l'obiettivo di conservare il sapere diagnostico dei veterani dopo il loro pensionamento. Alcuni tecnici anziani la sostengono, vedendola come la versione automatizzata delle procedure operative che hanno sempre voluto documentate.

Per il futuro l'articolo parla di "physical AI": macchine che rilevano i propri guasti e si coordinano con i sistemi vicini, cosa che richiederebbe la stessa diagnosi multimodale.

Perché conta per chi realizza progetti di monitoraggio

Gli spunti pratici per chi progetta sistemi di monitoraggio e AI:

  • Un allarme dovrebbe contenere diagnosi e priorità, non solo una data di guasto prevista.
  • Servono acquisizione multisensore sincronizzata nel tempo e una libreria di guasti etichettati.
  • Va chiarito come integrare le diagnosi con SCADA e CMMS, ad esempio per generare ordini di lavoro e pianificare i ricambi.
  • Occorre pianificare come catturare la conoscenza dei tecnici esperti nelle etichette e nelle procedure.

Le cautele

L'articolo non riporta metriche di accuratezza, e l'unico caso citato, quello navale, è fornito dal produttore. Prima di trarre conclusioni servirebbero dati su falsi positivi, diagnosi mancate e confronto con una base di riferimento. Il tema è affine a quello già trattato nell'articolo sulla diagnostica guasti con AI e la visione di Honeywell, ma qui l'accento è su fusione multimodale, causa radice e conservazione della conoscenza.