EO_500

ELETTRONICA OGGI 500 - MARZO 2022 45 DIGITAL PREDICTIVE MAINTENANCE La tecnica PdM4.0, nell’ambito delle iniziative Industry 4.0 e Industrial IoT (IIoT), intende fornire una maggiore autonomia delle apparecchiature, dotandole di più sensori per la raccolta dei dati, sfruttando l’elaborazione dei segnali digitali, l’apprendimento automatico e l’apprendimento profondo quali strumenti per prevedere i guasti e predisporre le attività di manutenzione. Gli standard come IEEE 1451, 1232 e la serie ISO 13372, 13373, 13374, 13380, 13381 sono stati sviluppati con glossario, presentazionee lineeguidafinalizzati a fornireunsubstrato comune alla Manutenzione 4.0. La figura 1 fornisce il percorso di manutenzione programmata in base alla tecnica PdM4.0, in cui è evidente che il livello di sofisticazione aumenta man mano che ci si approccia al grado 4.0 di manutenzione predittiva. Le sfide Tuttavia, sebbene le metodologie PHM e PdM4.0 abbiano intenti ben chiari e forniscano raccomandazioni generali, la loro esecuzione pratica non è completamente attuata e richiede competenze che non sono prontamente disponibili fra i responsabili di impianto o della manutenzione. Per sfruttare appieno i vantaggi delle tecniche PHM e PdM4.0 è necessario considerare i seguenti aspetti: • In primo luogo, quando si stabilisce il caso aziendale per l’esecuzione dellamanutenzione predittiva, occorrerebbe concentrare l’attenzione sui problemi specifici che minimizzano il rischio. Si giunge a porre la domanda: quali sono le risorse critiche a rischio di guasto? • In secondo luogo, molti impianti sono ancora dotati di macchinari realizzati con connettività limitata, quindi Fig. 1 – Gradi di manutenzione predittiva fino a PdM4.0 (Fonte: PricewaterhouseCoopers ) la raccolta dati non è facilmente disponibile. Conviene a questo punto porsi la domanda: in che modo possiamo equipaggiare i macchinari con più sensori in grado di connettersi all’IT (Information Technology) senza compromettere l’affidabilità, la sicurezza e la protezione? • Terzo, una volta raccolti i dati e le comunicazioni, la sfida successiva consiste nello stabilire il modo in cui essi vengono utilizzati. A questo punto ci si pone la domanda: come dovrebbero essere raggruppati i dati per rilevare, prevedere e ridurre al minimo il verificarsi di guasti? Il più delle volte non c’è una risposta ovvia e l’idea iniziale più semplice è raccogliere tutti i dati prodotti da impianti e macchinari, trasferire questi dati in un data center in sede o su cloud e cercare di estrapolare alcune informazioni attraverso l’analisi dei dati. Anche questo è considerato un lotto di dati. La figura 2 mostra il funnel di dati verso il cloud e le diverse fonti di dati che contribuiscono a dare forma alle informazioni raccolte ai fini dellamanutenzione predittiva. Non tutti i dati di impianto e di macchinario sono uguali. Sono disponibili dati non strutturati come i rapporti di ispezione, i registri di manutenzione, le indicazioni sull’organizzazione dellematerie prime e dei lotti, associati ai dati disponibili per la manutenzione predittiva. Esistono dati strutturati provenienti dalle tecnologie di automazione aziendale come le piattaforme ERM, EAM e MES, che forniscono un’altra fonte di informazioni per determinare le condizioni, il carico di lavoro e il grado di utilizzo dei macchinari. Anche questo è considerato un lotto di dati. Gran parte delle informazioni non strutturate provengono dai sensori collegati ai dispositivi a bordo rete, dato che il