Uno degli obiettivi della automazione industriale nell’ambito dell’Industry 4.0 è quello di ridurre i fermo macchina, incrementando così l’efficienza della produzione attraverso soluzioni digitali. La predictive maintenance (o manutenzione predittiva) è una vera strategia, supportata da soluzioni intelligenti di sensori IoT e controllo embedded, in grado di offrire modelli di business avanzati per creare un valore addizionale tra azienda e cliente e ottenere un notevole risparmio dei costi di manutenzione. I sensori possono essere utilizzati per monitorare costantemente le apparecchiature principali e per la raccolta dei dati di produzione possono essere registrati, trasmessi via wireless in tempo reale al cloud per l’analisi di manutenzione predittiva per ottimizzare il flusso e raggiungere migliori livelli di sicurezza.
Si applica soprattutto integrata a sistemi di automazione industriale e apre i confini a innumerevoli applicazioni IoT e di industrial internet of things.
Predictive Maintenance: cos’è e come funziona
La gestione di una fabbrica è particolarmente impegnativa, non solo a livello amministrativo ma anche in termini di parti di ricambio e assistenza software/hardware per quanto concerne la produzione. Qualsiasi macchina con parti in movimento è soggetta a usura e inevitabilmente richiede assistenza e riparazione. Un approccio consiste nel programmare le attività di manutenzione a intervalli fissi, indipendentemente dalle condizioni effettive dell’apparecchiatura. Un approccio più intelligente è la manutenzione basata sulle condizioni di lavoro. Un approccio ancora migliore è la manutenzione predittiva, in cui i requisiti di manutenzione sono previsti con largo anticipo. La manutenzione predittiva fa riferimento al contesto di Industria 4.0 (o Impresa 4.0) e combina il monitoraggio delle condizioni operative tramite sensoristica un modello predittivo dinamico. Consente di fare previsioni riducendo i tempi di inattività con un minimo impatto sulla produttività.
Qual è quindi il significato di predittiva? La manutenzione predittiva è una tecnica di automazione industriale basata su un modello per prevedere il futuro di un componente della macchina, in modo che possa essere sostituito poco prima di un errore o malfunzionamento. Oltre all’acquisizione dei dati dei sensori, richiede una combinazione di tecnologia di analisi e immagazzinamento in tempo reale per ottenere una maggiore velocità di accesso ai dati rispetto ad altre unità. Alcuni analisti come McKinsey, stimano come l’impiego efficace della manutenzione predittiva nelle fabbriche può ridurre i tempi di fermo fino al 50% e risparmiare dal 10 al 40% sui costi di manutenzione delle attrezzature.
Big data, IoT predictive maintenance
La manutenzione predittiva richiede la capacità di elaborare grandi quantità di dati ed eseguire sofisticati algoritmi. Una soluzione basata su IoT (Internet of Things), d’altra parte, consente di archiviare terabyte di dati e di eseguire algoritmi di machine learning su più computer in parallelo per prevedere potenziali pericoli e individuare quando è probabile che le apparecchiature industriali si guastino.
Gli strumenti di manutenzione predittiva includono una piattaforma per modellare, simulare, testare e distribuire la soluzione. Gli strumenti includono algoritmi di integrazione dei dati industriali e di analisi per rilevare modelli nei dati macchina e strumenti di analisi delle cause alla radice per determinare l’azione correttiva da intraprendere.
I dati della produzione vengono instradati attraverso dei gateway che filtrano e pre-elaborano le informazioni. Inoltre, garantiscono una connettività e trasmissione sicura dei dati. Successivamente, un processore provvede alla elaborazione in tempo reale. Alcuni parametri che vengono tenuti sotto controllo sono la temperatura, vibrazioni e tensione. I dati vengono analizzati con algoritmi di machine learning (ML). Gli algoritmi ML vengono applicati per rivelare correlazioni nascoste nei set di dati e modelli di dati anomali. Un dashboard per l’analisi predittiva sintetizza i dati operativi, consentendo agli ingegneri di processo e manutenzione di affrontare approfondimenti attuabili sotto forma di azioni correttive.
Le tecnologie Big Data offrono l’opportunità di sviluppare e implementare sistemi di manutenzione predittiva che consentono la stima puntuale e accurata dei parametri del ciclo produttivo. Forniscono i mezzi per elaborare grandi quantità di dati relativi a vibrazioni, acustica, ultrasuoni, temperatura, consumo di energia e analisi dell’olio, nonché i dati delle immagini termiche dell’apparecchiatura.
Le tecnologie della predictive maintenance: sensori e automazione
Per i produttori di macchine e componenti, un caso relativamente comune di manutenzione predittiva è il monitoraggio e l’analisi delle condizioni di un motore per ricevere avvisi sui livelli di produttività, consumo energetico, stato di salute e usura interna. Vibrazioni, temperatura e pressione sono solo alcuni dei parametri che possono indicare lo stato dell’apparecchiatura e identificare potenziali guasti. Le tecniche di monitoraggio vengono normalmente utilizzate anche su apparecchiature quali compressori e pompe.
Poiché la vibrazione è il sintomo più comune di squilibrio, disallineamento e altre anomalie, la manutenzione predittiva si basa spesso sull’analisi delle vibrazioni di macchine rotanti. Le applicazioni tipiche richiedono misurazioni delle vibrazioni in direzione orizzontale, verticale e assiale sia sui cuscinetti del motore interno che esterno. Oltre ai tipici problemi meccanici, come accoppiamenti e squilibri disallineati, l’analista delle vibrazioni può anche rilevare problemi elettrici che causano vibrazioni meccaniche. Il monitoraggio delle vibrazioni è parte integrante di un programma di manutenzione predittiva nella produzione di alimenti e bevande.
L’analisi della frequenza gioca una parte importante nella rilevazione e diagnosi dei guasti della macchina. Nel dominio del tempo, i contributi individuali sono difficili da identificare. Nel dominio della frequenza, invece, diventano molto più facili da identificare e possono quindi essere molto più facilmente correlati alle fonti individuali di vibrazione.
Sensori IoT per il monitoraggio e il controllo
I sensori di temperatura monitorano alcune parti critiche della macchina per rilevare cambiamenti nelle condizioni operative. Per applicazioni di misurazione diretta, vengono utilizzati RTD (rilevatori di temperatura resistivi) e termocoppie. Per applicazioni di misurazione indiretta, vengono utilizzati sensori a infrarossi senza contatto. Le applicazioni tipiche riguardano la misura della temperatura dei cuscinetti, di lubrificazione e la temperatura dell’acqua di raffreddamento in molti settori di produzione industriale.
I sensori di particelle d’olio monitorano il livello di contaminazione delle particelle presente nei sistemi di lubrificazione. Un aumento del numero di particelle può indicare potenziali problemi di usura. I sensori di flusso monitorano la portata della lubrificazione o del flusso dell’acqua di raffreddamento. Essi sono montati nella linea di lubrificazione o di raffreddamento e il principio di rilevamento utilizzato (termico, induttivo magnetico, ultrasonico, ecc.) dipende dal tipo di fluido, dalla portata e dalle dimensioni richieste. I sensori di umidità monitorano anche il contenuto d’acqua negli oli di lubrificazione. L’umidità in eccesso può causare corrosione e altri problemi inerenti il funzionamento di un’apparecchiatura.
I sensori di corrente monitorano l’assorbimento di potenza dei componenti della macchina. Un’applicazione tipica riguarda il monitoraggio dell’assorbimento di corrente di un motore. Un elevato assorbimento di corrente può indicare usura per il motore. Altri tipi di sensori impiegati sono quelli per la posizione (induttivi, fotoelettrici, capacitivi e magnetici) per il rilevamento del prodotto, e altri come la pressione e il livello.
Un semplice esempio di implementazione della manutenzione predittiva è rappresentanto da un sensore collegato a un cuscinetto-ruota. Le letture in tempo reale di quel sensore sono utilizzate per monitorarne le prestazioni. Le tecniche di misura possono essere modificate nel tempo e confrontate con i livelli noti di vibrazione, oppure è possibile impostare i livelli di pre-allarme e di allarme per indicare un cambiamento nelle condizioni della macchina. Dopo essere stato avvisato, l’ingegnere determina sul posto se è necessaria la sostituzione immediata del cuscinetto per prevenire danni alle apparecchiature correlate. Questo concetto di base si applica su più dimensioni nei sistemi meccanici per includere altre variabili come temperatura e pressione.
Oltre a sofisticti sensori industriali, l’implementazione di un modello di predictive maintence necessita di tecnologie di controllo (spesso anche attraverso un software di controllo produzione). I dati acquisiti vengono inviati a un controllore logico programmabile (PLC) tramite IO-Link, con l’obiettivo di gestire in maniera intelligente le operazioni presenti e future della macchina. Una soluzione di manutenzione predittiva è affidabile solo quanto il suo hardware garantisce che i sensori remoti mantengano la massima precisione nella registrazione dei dati e nelle comunicazioni remote. Con l’utilizzo di LTE-M, SigFox e LoRa, lo scambio di dati tra cloud e nodi rimarrà stabile, sicuro e affidabile.
AI e Machine Learning per l’Industry 4.0
L’intelligenza artificiale può essere applicata alla manutenzione predittiva e a molti altri casi d’uso nell’industria manifatturiera. Offre una serie di tecniche per analizzare le enormi quantità di dati raccolti dal processo di produzione e fornire informazioni utili per raggiungere e sostenere l’eccellenza produttiva. Queste tecniche sono denominate algoritmi di Machine Learning che esaminano grandi serie di dati storici o di test, per eseguire diversi scenari e prevedere gli sviluppi negativi.
Gli algoritmi apprendono il comportamente della macchina sulla base dei sensori installati, utilizzandoli come base per avvisi e comandi di controllo. L’obiettivo della manutenzione predittiva è prevedere in un certo momento, utilizzando i dati disponibili, se l’apparecchiatura non funzionerà nel prossimo futuro. I sistemi vengono utilizzati per prevedere metriche quali la vita utile residua (RUL) e il tempo al fallimento (TTF), che sono spesso raggruppati in differenti metodi basati sui dati e modelli (Figura 3).
La capacità di riconoscere guasti alle apparecchiature ed evitare tempi di inattività non pianificati, costi di riparazione e potenziali danni ambientali è fondamentale per il successo in tutte le aree industriali. L’apprendimento automatico sta rafforzando la rete intelligente dell’energia elettrica per sfruttare meglio e ottenere informazioni dettagliate con un numero enorme di risorse connesse distribuite su una grande rete. Con trasformatori, piloni, cavi, turbine, unità di archiviazione e altro, il potenziale di guasto delle apparecchiature è elevato e non privo di rischi, quindi prevedere guasti con dati e modelli è la nuova risposta per mantenere la rete elettrica senza intoppi. In termini di mantenimento di una produzione affidabile, l’identificazione dei guasti alle apparecchiature in una industria petrolifera ed idrica è una delle aree principali in cui l’apprendimento automatico svolge un ruolo importante. Le compagnie idriche affrontano le stesse sfide dell’invecchiamento dell’infrastruttura, dell’aumento dei costi, delle normative più severe e dell’aumento della domanda. L’apprendimento automatico permette di contenere gli sprechi durante la carenza di acqua.
I benefici della manutenzione predittiva nell’industria 4.0
La manutenzione predittiva riduce il tempo effettivo necessario per riparare o ricondizionare le apparecchiature dell’impianto, in molti settori come trasporti, macchinari di produzione, impianti energetici. È possibile ridurre del 60% il tempo medio di riparazione (MTTR). L’avvertimento tempestivo di problemi della macchina e del sistema riduce il rischio di guasti distruttivi, che possono causare lesioni personali o morte. Una gestione predittiva della manutenzione dei macchinari genera anche un incremento del 30% nell’utilizzo degli stessi asset industriali.
Predictive maintenance: esempi e case study in Italia
In Italia, aziende come Trenitalia e Leonardo si stanno muovendo assiduatamente con la manutenzione predittiva. Nel 2020 dovremmo arrivare a un investimento pari a circa 100 milioni di euro. Dovremmo aspettarci, inoltre, una forte riduzione dei costi nell’industria aerospaziale con un buon 30%. Oltre anche al settore minerario con valori superiori. Ogni produttore offre quantità e tipi di dati di processo e parametri diversi. Pertanto, una solida conoscenza della diagnostica disponibile sulle apparecchiature interne all’impianto è essenziale per sviluppare la corretta strategia di manutenzione predittiva dell’Industry 4.0.
