Un’università è un ecosistema distribuito, spesso composto da edifici storici, padiglioni moderni e una vastissima varietà di ambienti e di sistemi. In molti casi, questi impianti sono eterogenei per età, tecnologia, protocolli, livelli di digitalizzazione e modalità di manutenzione. La gestione resta spesso reattiva, oppure programmata a calendario, con verifiche periodiche stabilite da norme o prassi interne. Ne risultata una combinazione difficile da governare: costi elevati, fermi imprevisti, interventi non sempre proporzionati allo stato reale degli asset e, progressivamente, una maggiore esposizione cyber-fisica dovuta all’introduzione di sensori, sistemi connessi e piattaforme di supervisione.
La manutenzione predittiva è un percorso che parte innanzitutto dall’infrastruttura reale, dalla sua condizione di campo e dalle criticità operative che l’ateneo vuole presidiare. Solo dopo arrivano il modello predittivo, la componente software e l’eventuale intelligenza artificiale.
Implementare la manutenzione predittiva in un ateneo non è un progetto da affrontare tutto in una volta, ma un percorso graduale. Ecco i 5 step per passare dall'idea a un modello concreto ed efficace.
Il primo passaggio consiste nel distinguere con precisione due domini che negli atenei convivono e spesso finiscono sotto un’unica supervisione.
Da un lato ci sono i sistemi di sicurezza fisica: controllo accessi, impianti di rilevazione incendi, estinzione a gas o acqua, evacuazione e porte controllate, attuatori e dispositivi orientati alla protezione di persone, patrimonio e continuità degli spazi.
Dall’altro lato ci sono gli impianti di Building Management: termoregolazione, distribuzione ed efficientamento dell’energia, illuminazione, ascensori e trattamento aria.
La distinzione è sostanziale perché i dati, gli obiettivi, i vincoli normativi, i rischi e le logiche manutentive cambiano, oltre al fatto che non generano lo stesso tipo di informazione e non hanno lo stesso impatto su safety, security e continuità operativa.
Nei sistemi più evoluti, tuttavia, questi domini possono convergere all’interno di una piattaforma di supervisione: un BMS. Integrato con funzioni di sicurezza e con una control room, può raccogliere dati da impianti differenti, renderli disponibili agli operatori e alimentare moduli di analisi o prediction. La convergenza aumenta il valore operativo del sistema, ma richiede un disegno security accurato: ogni connessione tra sistemi fisici, sensori, rete e software amplia il perimetro da governare.
Occorre costruire una mappa tecnica dell’ambiente di esercizio e quindi sapere:
quali impianti esistono
dove si trovano
quali dispositivi li compongono
quali dati producono
con quale frequenza possono essere letti
quale criticità assumono rispetto alla vita del campus.
In un ateneo, l’assesment può essere organizzato per edificio, padiglione, dipartimento, laboratorio o area funzionale. Questo passaggio ha una valenza manutentiva e, allo stesso tempo, security. Dal punto di vista manutentivo permette di capire quali asset possono alimentare un modello predittivo; dal punto di vista security consente di sapere quali dispositivi entrano nel perimetro connesso, quali comunicano con altri sistemi, quali protocolli utilizzano, quali apparati sono esposti e quali devono essere isolati o segmentati.
Gli asset devono poi essere classificati. La prima distinzione riguarda la funzione:
asset asserviti alla sicurezza: sensori antincendio, sistemi antintrusione, dispositivi di controllo accessi, telecamere, porte controllate, impianti di estinzione e presidi soggetti a verifiche periodiche.
asset legati all’automazione dell’edificio: componenti HVAC, quadri elettrici, illuminazione, ascensori, sistemi di termoregolazione, ventilazione e distribuzione energetica.
La classificazione deve poi entrare nel dettaglio operativo, distinguendo sensori, attuatori, dispositivi di misura e apparati capaci di generare dati storici utili al modello predittivo. Nel caso dell’antincendio, per esempio, il modello può essere alimentato da sensori di fumo, calore e gas, ma anche da informazioni relative a pompe, attuatori, impianti di estinzione ad acqua o gas, presidi antincendio e scadenze di verifica. Questa tassonomia tecnica serve anche a definire i livelli di esposizione cyber-fisica e il profilo di rischio di ciascun apparato.
La strategia deve partire dagli impianti a maggiore impatto, valutando continuità operativa, safety, consumi, obblighi di controllo e ricadute sugli altri sistemi. In ambito Education, quattro aree risultano particolarmente rilevanti:
l’antincendio. È un perimetro sensibile per la sicurezza delle persone, soggetto a controlli e manutenzioni strutturate. Può essere monitorato per supportare le verifiche periodiche, segnalare anomalie, anticipare inefficienze e aiutare gli operatori nella pianificazione dei controlli.
la distribuzione elettrica. Quadri, linee, carichi e dispositivi di misura consentono di individuare comportamenti anomali, assorbimenti inattesi, picchi e sbilanciamenti. Un nuovo condizionatore collegato in modo scorretto, ad esempio, può alterare l’equilibrio delle fasi e generare consumi anomali. Un modello alimentato da dati di campo può rendere visibile questa condizione prima che diventi un problema esteso.
la termoregolazione. In un’università, HVAC e comfort ambientale incidono su consumi, fruibilità degli spazi, continuità didattica e conservazione di ambienti sensibili. La raccolta di dati interni ed esterni permette di correlare temperature, stagionalità, esposizione degli edifici, apertura dei varchi, comportamento degli impianti e consumo energetico.
l’illuminazione. Nei campus distribuiti, il peso dell’illuminazione sui consumi e sulla continuità degli spazi è rilevante. La manutenzione predittiva può aiutare a intercettare degradi, malfunzionamenti ricorrenti, aree sovrautilizzate o inefficienze dovute a logiche di accensione non più coerenti con l’uso reale degli ambienti.
La priorità, al di là del costo e dell’anzianità dell’impianto, va definita considerando la propagazione dell’anomalia. Il malfunzionamento di un sistema può generare effetti a macchia d’olio su consumi, comfort, safety, continuità didattica, accessibilità degli edifici e carico operativo della manutenzione.
Una volta definiti asset, priorità e dati disponibili, il passo successivo è scegliere la piattaforma che governerà l'infrastruttura. Il Building Management System (BMS) rappresenta il punto di raccolta dei dati provenienti dagli impianti: li integra, li normalizza e li mette a disposizione del modulo di manutenzione predittiva, che li trasforma in indicazioni operative.
La scelta del BMS deve garantire integrazione con impianti eterogenei, supporto ai diversi protocolli, storicizzazione dei dati, configurabilità delle regole e interoperabilità con strumenti di analisi predittiva. Essendo una piattaforma critica, deve inoltre assicurare elevati standard di cybersecurity, attraverso gestione degli accessi, segmentazione delle reti, monitoraggio, aggiornamenti e procedure di backup.
Uno degli errori più frequenti consiste nel chiamare predittiva una manutenzione che resta preventiva.
La manutenzione preventiva segue soglie, scadenze, cicli o indicazioni stabilite a priori. Se una valvola viene garantita dal costruttore per 170.000 aperture e il sistema invia un avviso a 169.900, il software sta applicando una regola. È una logica utile, ma basata su uno scadenzario tecnico o su un contatore.
La manutenzione predittiva utilizza dati statici e dinamici, osserva il comportamento reale dell’asset, apprende dalle serie storiche, riconosce anomalie, mette in relazione condizioni operative e segnali di degrado, costruisce indicazioni a partire dall’ambiente specifico in cui l’impianto lavora, prima che si verifichino guasti o disservizi.
La manutenzione predittiva non è solo una tecnologia, ma un percorso graduale che parte dalla conoscenza degli impianti, dalla qualità dei dati e dalla sicurezza dei sistemi. In questo processo il BMS svolge un ruolo centrale, integrando e valorizzando le informazioni raccolte per supportare decisioni operative più efficaci. Per gli atenei, il vero obiettivo non è prevedere ogni guasto, ma sviluppare una gestione sempre più proattiva degli asset: ridurre gli interventi d'urgenza, anticipare le anomalie, ottimizzare le risorse e aumentare l'affidabilità e la sicurezza dell'infrastruttura.