AI driven Predictive Maintenance - a focus on the Italian market

Unexpected failure of physical assets is considered to be one of the major risks in asset-intensive industries’ operations: failures can lead to downtime, loss of revenue and even safety hazards. AI driven PdM offers a promising solution, by monitoring assets, predicting failures, and planning in an optimized way the maintenance interventions. However, its adoption is still limited, especially within small companies. This research wants to provide companies with an holistic view on the AI driven PdM landscape, highlighting the impact of the advancments in AI on PdM’s effectivness and cost-efficency. Through a thorohugh analysis of the various AI driven PdM’s suppliers, this research aims to provide companies with the knowledge to select the most suitable PdM system tailored to their specific needs, fostering a more efficent transition from traditional maintenance approaches to predictive ones. Further, it compares the solutions from leading providers and startups, and addresses the key challenges of implementing these solutions in Italy. The findings of this paper fill significant gaps within the current literature body and provide a foundation for future research aimed at further studying the adoption of AI driven PdM solutions.

I guasti imprevisti degli asset fisici sono considerati uno dei maggiori rischi nelle attività industriali: possono portare a downtime, a perdita di ricavi, e persino a rischi per la sicurezza. La manutenzione predittiva basata sull'intelligenza artificiale offre una valida soluzione contro questi rischi, grazie alle sue capacità di monitorare gli asset, prevedere i guasti, e pianificare in maniera ottimizzata gli interventi di manutenzione. Tuttavia, la sua adozione è ancora limitata, soprattutto nelle piccole aziende. Questa ricerca vuole fornire alle aziende una visione olistica del panorama della manutenzione predittiva basata sull'intelligenza artificiale, evidenziando l'impatto dei progressi nel campo dell’IA sull'efficacia e sull'efficienza della manutenzione predittiva. Attraverso un'analisi approfondita dei vari fornitori, questa ricerca mira a fornire alle aziende le conoscenze per selezionare le soluzioni più adatta alle loro esigenze specifiche, favorendo una transizione più efficace dagli approcci manutentivi tradizionali a quelli predittivi. Vengono inoltre confrontate le soluzioni offerte dai principali fornitori e dalle startup, e vengono studiate le principali barriere all'implementazione di queste soluzioni in Italia. I risultati di questo lavoro vanno a colmare lacune significative all'interno dell'attuale letteratura, e forniscono le basi per future ricerche volte a studiare ulteriormente l'adozione di soluzioni di manutenzione predittiva basata sull'intelligenza artificiale.