Manutenzione predittiva e CbM l’arte di prevedere i guasti

• 
• Tweet
• Pin It
• Condividi per email

Di Sandro Mascetti – CEO di MAS Elettronica

Nell’industria moderna dove cresce il numero di aziende sempre più interconnesse e automatizzate, anche l’ambito della manutenzione è diventato un’attività digitale. Attraverso la raccolta e analisi dei dati provenienti da una corposa quantità di sensori installati sui macchinari, è possibile creare modelli matematici allo scopo di andare ad ottimizzare il processo di manutenzione, non più agendo in modalità preventiva bensì tramite le previsioni. Previsioni che utilizzano parametri specifici e che forniscono indicazioni riguardo a possibili problemi. Tutto ciò avviene grazie al costante monitoraggio del macchinario.

Le previsioni non sono più solo quelle meteo

L’attuale scenario sia industriale che economico-finanziario fa largo uso di dati tramite i quali comprendere lo stato di ogni processo, stabilire strategie migliori nonché effettuare previsioni su fenomeni e andamenti di mercato. Nel caso dell’industria queste previsioni possono essere riferite in modo specifico alle linee produttive, in particolar modo in relazione allo stato di salute delle macchine come anche di tutto l’impianto. Per effettuare questo genere di operazione è necessario stabilire un confronto fra parametri, ossia una serie di valori nominali messi a paragone con parametri misurati. Attraverso il controllo continuo delle informazioni acquisite dai macchinari è possibile incrociare dati nominali e reali creando modelli matematici previsionali. Stiamo parlando del Condition based Monitoring (CbM) o Monitoraggio basato sulle condizioni. Tramite il CbM è naturale predisporre un programma di manutenzione che, tenendo conto dei parametri sopracitati, offra chiare e precise indicazioni su dove e cosa effettuare una manutenzione. In questo caso si tratta di Manutenzione Predittiva.

Il condition based monitoring

Il monitoraggio basato sulle condizioni è una tecnologia in continua evoluzione che, come detto, consente di ottenere sempre più informazioni provenienti da un processo o da un macchinario. La quantità di dati cresce in modo proporzionale alla quantità e tipologia di sensori utilizzati per misurare valori di temperatura, vibrazione, velocità lineari e angolari, coppia, posizione rumore e molto altro. Per meglio comprendere questo concetto possiamo fare un esempio prendendo in considerazione una piccola parte di un macchinario come può essere il gruppo motore-trasmissione. Il funzionamento di questo gruppo genera una certa quantità di forza, calore, vibrazione e rumore. Queste quantità hanno un valore nominale in condizioni di funzionamento normale e sono proprio queste che vengono prese in considerazione per creare la base del modello di paragone. I parametri da acquisire avranno la stessa tipologia di quelli nominali, pertanto sul gruppo verranno installati sensori di temperatura, vibrazione, rumore, coppia, ecc… Ad esempio, se i cuscinetti presenti sul gruppo, durante il loro funzionamento, producono un certo valore di temperatura e vibrazione, una volta rilevato un discostamento significativo rispetto ai valori nominali, si può parlare di anomalia. Lo stesso discorso vale ad esempio per i valori di temperatura laddove un cuscinetto che presenta un attrito maggiore di quello nominale produce più calore. In aggiunta, possiamo parlare anche di corrente e di assorbimento riferito al motore, poiché se abbiamo un attrito maggiore proveniente dai cuscinetti, il motore sarà costretto ad aumentare lo sforzo e richiedere più corrente. Attraverso le discrepanze di valore si può quindi predisporre un modello matematico che fornisca le condizioni del gruppo in tempo reale e che dia indicazioni e localizzazione sulle anomalie. Conoscere in tempo reale le anomalie consente a questo punto di effettuare previsioni sui possibili guasti; tornando ai nostri cuscinetti, l’aumento di temperatura indica che può esserci l’aumento delle tolleranze dovuto al naturale consumo del metallo e quindi ci troviamo in condizioni di rotazione non corrette le quali provocano l’aumento di vibrazioni e rumore. Da questo semplice esempio si hanno le basi per predisporre un monitoraggio basato sulle condizioni che può essere esteso non solo alle macchine ma a tutto l’impianto. A questo punto, il CbM consente di sapere in anticipo le possibilità di un guasto (o peggio di un fermo macchina) in modo da predisporre una manutenzione molto più localizzata, puntuale e dai costi inferiori.

La Manutenzione Predittiva

Facciamo una distinzione riguardo alle tipologie di manutenzione che sono correlate alle circostanze. Manutenzione preventiva, reattiva, e predittiva sono tre modalità che vengono intraprese a seconda degli eventi:

La manutenzione reattiva prevede un intervento effettuato nel momento in cui si verifica un guasto e per l’appunto si reagisce al problema. In questo caso vi sono non poche criticità poiché la “reazione” avviene quando un macchinario o peggio il blocco della produzione può durare a lungo nel caso i pezzi di ricambio non siano a disposizione o reperibili rapidamente. Nella peggiore condizione è prassi comune effettuare una riparazione temporanea per far ripartire la produzione anche se ciò genera seri rischi per la sicurezza.

Nel caso della manutenzione preventiva (o programmata), si agisce in anticipo e si predispone un intervento quando il macchinario non è in funzione o è nelle condizioni di poter essere fermato con un conseguente impatto sulla produzione relativamente basso. Grazie alla pianificazione, è possibile reperire i pezzi di ricambio per tempo quindi questa pratica tende ad eliminare i blocchi delle linee. Tuttavia resta un processo che non può essere economicamente ottimizzato poiché vengono eseguiti tutti interventi, anche quelli non strettamente necessari, che pertanto comportano la sostituzione di pezzi ancora efficienti.

Con la manutenzione predittiva, invece, si ha un elevato controllo della situazione poiché grazie al monitoraggio si possono individuare con precisione anomalie o errori nel ciclo produttivo e solo in quel momento intervenire. Conoscendo i parametri di un macchinario è possibile predire usura e consumi e ciò porta indubbiamente molti vantaggi, non solo a livello di fermi macchina ma anche una maggiore efficienza energetica e un incremento della produzione. L’efficientamento energetico è possibile grazie al fatto che i particolari che compongono un macchinario si troveranno in perfette condizioni e quindi l’assenza di anomalie o cattivo funzionamento richiedono a motori e azionamenti uno sforzo minore.

I 4 asset necessari alla Manutenzione Predittiva

Cosa serve per poter predisporre un programma di manutenzione predittiva? L’ambito CbM richiede l’acquisizione, l’elaborazione e l’interpretazione dei dati relativi a macchine e sistemi. Sono necessari quindi una serie di dispositivi che assolvano a questi compiti:

• Sensori: come abbiamo visto i parametri da acquisire e mantenere monitorati sono molti, pertanto si parla di sensori analogici e digitali che misurano temperatura, vibrazione, velocità angolare, ecc…. Va inoltre considerato che le tecnologie IIoT rispondono in maniera maggiore ai requisiti grazie alla capacità di trasmettere un alto numero di dati in tempo reale.
• Sistemi sicuri per la trasmissione: la raccolta di dati richiede una trasmissione tra i vari device e sensori, quindi è di fondamentale importanza utilizzare protocolli di sicurezza per proteggere le informazioni sensibili. Non bisogna mai dimenticare che un qualsiasi dispositivo connesso può diventare per i criminali informatici una porta di accesso ai sistemi di fabbrica.
• Cloud o server: lo stoccaggio dei dati è un aspetto altrettanto importante e che deve rispettare lo stesso requisito visto nel punto precedente. Il luogo dove vengono conservati i dati, che sia fisico tramite server ubicati in azienda o virtuale tramite cloud, deve presentare tutti i requisiti di cybersicurezza ma anche essere facilmente accessibile, anche da remoto.
• Software: l’elaborazione dei dati per il CbM richiede per forza di cose un algoritmo intelligente dotato di AI e Machine Learning. Lo scopo è quello di aggregare, analizzare e interpretare correttamente le informazioni per fornire output rilevanti.

MAS Elettronica, il CbM e la manutenzione predittiva

Cresce il numero di aziende che riconoscono l’importanza del monitoraggio basato sulle condizioni e la manutenzione predittiva, inserendole tra le proprie priorità strategiche. MAS Elettronica da sempre supporta l’innovazione tecnologica attraverso un portfolio di prodotti che consentono l’implementazione del CbM e della manutenzione predittiva all’interno dei cicli produttivi. CPU AURORA è dotato di processore neurale per applicazioni di Intelligenza Artificiale. Bassi consumi, alte prestazioni: grazie a queste caratteristiche CPU AURORA è ottimale per il settore industriale, le applicazioni di IoT e anche per effettuare manutenzione predittiva. CPU AURORA è in grado di pilotare tre display contemporaneamente, elaborando grandi quantità di dati in real time. SBC MINA, è una single board indicata per diversi campi di applicazione come le HMI Industriali o i Sistemi Medicali Avanzati. SBC MINA è pronta all’uso, dotata di interfacce grafiche ad alta risoluzione e alta capacità di calcolo.

• 
• Tweet
• Pin It
• Condividi per email