La manutenzione come attività cruciale nell’industria, con il suo impatto significativo sui costi e sull’affidabilità, è estremamente influente per la capacità di un’azienda di essere competitiva in termini di basso prezzo, alta qualità e prestazioni. Pertanto è fondamentale per le aziende sviluppare una strategia di manutenzione predittiva ben implementata ed efficiente in modo da prevenire interruzioni impreviste, migliorare l’affidabilità generale e ridurre i costi operativi. Questo articolo focalizza la sua attenzione sulle strategie predittive per l’analisi delle attrezzature grazie all’intelligenza artificiale.
Introduzione
Nell’industria, eventuali interruzioni e tempi di inattività imprevisti di macchine o sistemi potrebbero degradare o interrompere il core business di un’azienda, con conseguenti penalità e perdita di reputazione. I tradizionali approcci alla manutenzione presentano alcuni presupposti e limiti, come costi di prevenzione/riparazione elevati, processi matematici di degrado inadeguati o imprecisi ed estrazione manuale delle funzionalità. Con la tendenza della manifattura intelligente e dello sviluppo dell‘IoT, del data mining e dell’intelligenza artificiale, la Manutenzione Predittiva (PdM) viene proposta come un nuovo tipo di paradigma per eseguire manutenzioni solo dopo che i modelli analitici hanno previsto determinati guasti o degradi.
L’evoluzione delle tecniche moderne (ad es. Internet delle cose, tecnologia di rilevamento, intelligenza artificiale, ecc.) riflette una transizione delle strategie di manutenzione dalla Manutenzione Reattiva (RM) alla Manutenzione Preventiva (PM) alla Manutenzione Predittiva (PdM). RM viene eseguita solo per ripristinare lo stato operativo dell’apparecchiatura dopo che si è verificato un guasto, e quindi comporta ritardi notevoli e costi di riparazione elevati. La PM viene eseguita in base a una pianificazione sulla base del tempo o delle iterazioni di processo per prevenire i guasti, e può comportare una manutenzione non necessaria e costi elevati di prevenzione. Al fine di ottenere il miglior compromesso tra i due, PdM è basata su una stima della “salute” e può realizzare tempestivi interventi pre-guasto. PdM consente alla frequenza di manutenzione di essere la più bassa possibile per prevenire RM non pianificate, senza incorrere nei costi associati nel fare troppe PM.
| Benefici | Svantaggi | Casi d’uso | |
| RM | Massima utilizzazione e produzione del valore. Bassi costi di prevenzione. | Tempi di inattività non pianificati. Elevati costi di inventario dei pezzi di ricambio. Potenziale ulteriore danno per l’equipaggiamento. Costi di riparazione più elevati. | Quando si ha attrezzatura ridondante. Riparazione di attrezzature con basso costo dopo il guasto. |
| PM | Costi di riparazione inferiori. Meno malfunzionamenti dell’attrezzatura e tempi di inattività non pianificati. | Necessità di inventario. Maggiori tempi di inattività pianificati. Manutenzione su attrezzatura apparentemente perfetta. | In quei casi in cui la probabilità di guasto aumenta con il tempo o l’uso. |
| PdM | Una visione olistica della salute dell’attrezzatura. Opzioni di analisi migliorate. Evita malfunzionamenti. Evita sostituzione componente con vita utile. | Aumentati costi e impostazione dell’infrastruttura iniziale (ad es. sensori). Sistema più complesso. | Modalità di guasti che possono essere previsti in modo conveniente con monitoraggio regolare. |
La Manutenzione Predittiva
Il concetto di PdM esiste da molti anni, ma solo recentemente le tecnologie emergenti sono diventate apparentemente capaci e poco costose da rendere la PdM ampiamente accessibile. La PdM comporta in genere il monitoraggio delle condizioni, la diagnosi e prognosi dei guasti, e i piani di manutenzione. Le tecnologie abilitanti hanno il potenziale di rilevare, isolare e identificare il precursore e incipiente malfunzionamento di macchinari e componenti, monitorare e prevedere la progressione dei guasti e fornire supporto alle decisioni o l’automazione per sviluppare programmi di manutenzione.
In particolare, le tecnologie emergenti migliorano la PdM nei seguenti aspetti:
- IoT per l’acquisizione dei dati – l’IoT consente di raccogliere un enorme e crescente quantità di dati da più sensori installati su macchine o componenti.
- Tecniche di big data per (pre) elaborazione dei dati – le tecniche di big data hanno rivoluzionato la manutenzione intelligente trasformando in azioni i dati dei macchinari.
- Metodi avanzati di deep learning (DL) per la diagnosi e prognosi dei guasti – negli ultimi anni, sempre più approcci DL vengono inventati e maturano in termini di classificazione e regressione. Il maggior numero di strati e neuroni in una rete DL consentono l’astrazione di problemi complessi e consentono una maggiore precisione nella diagnosi e prognosi dei guasti (ad es. predizione della vita utile rimanente).
- Deep Reinforcement Learning (DRL) per il processo decisionale – DRL e le sue varianti forniscono una tecnica promettente per un controllo efficace in sistemi complessi. DRL è in grado di gestire ambienti tempo-varianti altamente dinamici.
- Software potenti per elaborazione complessa – con il rapido sviluppo della tecnologia dei semiconduttori, hardware potenti, come unità di elaborazione grafica (GPU) e unità di elaborazione tensoriale (TPU), possono accelerare in modo significativo il processo di evoluzione e ridurre il tempo richiesto dagli algoritmi DL.
Architettura
Un esempio di architettura di sistema per la manutenzione predittiva viene proposto in figura 1. La prima operazione del sistema avviene con il modulo di “Acquisizione Dati“, in cui i dati provenienti da diverse fonti vengono raccolti tramite una “rete di sensori” e memorizzati. Quindi i dati vengono inviati al modulo di “Pre-elaborazione dei dati“, dove avviene la loro pulizia, l’integrazione e vengono condotte operazioni di trasformazione ed estrazione delle caratteristiche. L’output di questo modulo viene utilizzato come input per il modulo “Analisi dei dati“, dove analisi avanzata dei dati e apprendimento macchina/profonda vengono utilizzati per la generazione della conoscenza. Il modulo “Supporto decisionale” visualizza il risultato di “Analisi dei Dati” e fornisce un programma di manutenzione ottimizzato. Infine, il blocco “Implementazione della manutenzione” opera sul mondo fisico secondo le decisioni di mantenimento e implementa attività di manutenzione per raggiungere un determinato scopo.
La sensoristica
Nella manutenzione predittiva quindi le condizioni dei macchinari vengono monitorate in tempo reale attraverso l’utilizzo di sensori installati sulle parti critiche e le deviazioni rilevate vengono trasmesse al software che provvederà alla loro elaborazione.
Le varie tipologie di sensori impiegati permettono la raccolta di una enorme mole di informazioni che possono dirci molto sullo stato di salute di un componente. Temperature, vibrazioni, ampiezza della corrente sono solo alcune delle grandezze che possono essere rilevate per identificare variazioni rispetto allo standard. Dal sito di Conrad vi presentiamo una selezione di dispositivi sensoristici.
Iduino Sensore di vibrazioni
Iduino è un modulo sensore (figura 2) di alta qualità come sensore singolo, in combinazione con la piattaforma Arduino ma anche con altri sistemi. La combinazione del sensore 801S e di LM393 permette un’elevata sensibilità del sistema.
Il modulo presenta due pin di uscita per il segnale. Un pin digitale (D0), che alla rilevazione di una vibrazione fino ad una certa soglia, può emettere un livello alto o basso. Un pin analogico (A0), che può trasmettere in tempo reale il valore in tensione della vibrazione. Rispetto ad altri sensori di vibrazione o shock, 801S ha le seguenti caratteristiche:
- Dimensione: 20mm * 32mm * 11mm
- chip principale: LM393, 801S
- rilevazione Micro Shock
- garanzia di shock di 60.000.000 di volte (speciale placcatura in lega d’oro)
- tensione di lavoro: DC 5V
- sensibilità regolabile (regolazione fine); basta un circuito a basso costo per regolare la sensibilità
- campo di rilevamento delle vibrazioni, non direzionale;
- fori di montaggio, installazione del firmware flessibile e conveniente.
Termocamera Basetech TIB100
La termocamera TIB100 (figura 3) visualizza le zone ad alta e bassa temperatura sotto forma di mappe termiche codificate a colori e i valori di temperatura attualmente registrati. La fotocamera, facile da usare, visualizza e memorizza i dati immagine su schede di memoria micro SD per una successiva analisi dei risultati delle misurazioni. La TIB100 misura temperature da -20°C a 450°C, rendendo questa versatile fotocamera ideale per un’ampia gamma di applicazioni industriali, artigianali e domestiche.
Compensazione della temperatura di fondo
La fotocamera utilizza i valori RAT per correggere la temperatura riflessa, garantendo dati di misurazione accurati con un basso errore di misurazione.
Indicatore del punto caldo/freddo
I picchi di temperatura o minimi zonali servono come riferimento per determinare la distribuzione spaziale del calore.
Sei diverse scale di colore
Compiti diversi richiedono spettri di colore diversi. Il TIB100 ha sei scale di colore selezionabili.
Slot per scheda di memoria Micro SD
La telecamera dispone di una scheda micro SD per la registrazione di dati e di salvataggio delle immagini. Il collegamento della scheda di memoria consente un backup esterno dei dati e una successiva valutazione dei risultati di misura.
Caratteristiche
- 9 Hz Termocamera
- Intervallo di misurazione della temperatura da -20 fino a 450 °C
- Acquisizione automatica del valore massimo/minuto
- Ampio intervallo di misura della temperatura
- Sensore di temperatura Made in Germany
- Hot- and cold spot-Tracking
- 32 x 32 pixel matrice bolometrica
- Sensibilità termica 150 mK
- Schermo: 1,8″, 128 x 160 TFT
- Memorizzazione dati su scheda micro SD
- 3 combinazioni di colori
- Correzione di emissione sullo schermo
- Temperatura di sfondo sullo schermo
- Compensazione della temperatura
- Messa a fuoco fissa
- Campo visivo: 33° x 33°.
Fonometro Calibrato VOLTCRAFT
Il fonometro calibrato VOLTCRAFT è uno strumento di misura del livello sonoro digitale conforme a EN 61672-1 classe 2 con un equipaggiamento pressoché imbattibile. Oltre alle consuete funzioni standard dispone di un registratore di dati e di un’interfaccia USB. Grazie al robusto alloggiamento con cornice di protezione in gomma, l’apparecchio è adatto anche ad un impiego rude. Dispone di un intervallo di misura da 30 a 130 dB con funzione auto range. Un registratore di dati integrato consente la memorizzazione fino a 32000 valori di misura che, successivamente, è possibile leggere ed elaborare sul PC con il software fornito in dotazione. Si può pertanto realizzare in modo semplice un monitoraggio di lunga durata. Il microfono removibile e il cavo di prolunga da 3 m fornito in dotazione consentono di effettuare anche misurazione in posizioni difficilmente accessibili.
Punti di forza e dettagli
- Intervallo di misura da 30 a 130 dB A/C
- Precisione ± 1,4 dB
- Inclusi software e prolunga del microfono
- Conforme alla normativa IEC 61672:2013 classe 2
Caratteristiche
- Valutazione A/C
- Valutazione temporale F/S (veloce/lento)
- Memoria MIN/MAX
- Uscita analogica
- Diagramma
- Interfaccia USB
- Retroilluminazione
- Calibrabile
- Funzionamento a batteria e collegato alla rete
Data logger corrente Lascar Electronics
Il registratore di dati per corrente di ciclo con batteria al litio incorporata per la registrazione di 32510 valori di lettura è riportato in figura 4. I valori di misura memorizzati possono essere letti attraverso l’interfaccia USB ed essere valutati graficamente con il software fornito in dotazione o esportati per l’ulteriore elaborazione con altri programmi.
Punti di forza e dettagli
- 32000 valori di misura memorizzabili
- Campo di misura 4 -20 mA corrente di ciclo
- Allarme per superamento dei valori soglia programmabili
Caratteristiche
- Semplice inizializzazione tramite il software Windows (è possibile scaricare il software attuale)
- Avvio regolato temporizzato
- Soglie di allarme liberamente impostabili
- Intervallo di registrazione regolabile da 1 secondo a 12 ore
- Batteria al litio sostituibile con durata tipica di 1 anno
- Indicatore di stato (registratore attivo, memoria piena, allarme, Low Bat ecc.) tramite LED
- Collegamento della corrente del circuito elettrico tramite morsetti a vite.
Conclusione
La manutenzione predittiva PdM rappresenta per il settore produttivo un cambio di paradigma inevitabile se si vuol restare al passo dei competitor più attenti. La sua applicazione comporta significativi vantaggi in termini di costi e di affidabilità dei macchinari. Le tecnologie emergenti come l’IoT, i big data e il deep learning sono oggi diventate capaci e poco costose tanto da rendere la PdM ampiamente accessibile anche alle piccole imprese.
