L’introduzione di sistemi di diagnostica e monitoraggio sulle linee produttive e, in generale, su macchine e impianti, è una pratica sempre più diffusa e necessaria. Da un lato, la disponibilità di dispositivi di misura connessi in rete e dotati di interfacce standard multifunzionali rende più agevole che in passato le operazioni di condition monitoring. Dall’altro, la necessità di ottimizzare i processi produttivi, di prevenire fonti di malfunzionamento e di pianificare gli interventi manutentivi è molto pressante in un contesto sempre più competitivo su scala internazionale.
Nel contesto attuale di monitoraggio e remotizzazione dei dati, in linea con la rivoluzione di Industria 4.0, le tematiche dell’Industrial Internet of Things (IIoT) e le relative potenzialità nella misurazione e condivisione assumono una importanza determinante. Gran parte dei casi di rilevanza produttiva e industriale che ricadono in questo contesto fanno riferimento alle tecnologie di condition monitoring di macchine e impianti [1, 2]. La definizione di condition monitoring copre una vasta casistica applicativa e, nel suo ampio spettro, è possibile ricondurre a quella serie di processi che, mediante sensori e trasduttori, consentono di controllare un determinato apparato e al contempo intervenire in modo attivo o passivo al verificarsi di condizioni prefissate. In altri termini, si tratta nella maggior parte dei casi di sistemi di sensori connessi in rete (locale o globale) applicati a macchine, impianti, veicoli, edifici o altri strumenti produttivi che misurano alcuni parametri significativi di funzionamento e li confrontano con “valori attesi” predefiniti. In caso di scostamento tra misurazione e valori attesi (per esempio, la variazione di parametri operativi come la velocità in giri/min di un componente in rotazione, di una temperatura, di una pressione…), la logica di controllo programmata entra in funzione. A questo punto le azioni intraprese dal sistema di condition monitoring sono le più diverse, raggruppabili fa azioni passive e attive. Nel primo caso il sistema si limiterà a comunicare lo scostamento fra i parametri, nel secondo caso intraprenderà azioni correttive di vario genere e complessità [3-5].
Oltre alle funzioni di puro monitoraggio, è necessario sottolineare che i dati raccolti dal sistema di misura, se adeguatamente post processati e analizzati, possono contribuire in modo determinante alla predizione dei guasti e alla programmazione degli interventi di manutenzione: si parla in questi casi di diagnostica e manutenzione predittive.
La manutenzione predittiva, di cui il condition monitoring è componente essenziale, comporta una serie di vantaggi in termini di aumento di sicurezza, miglioramento dell’efficienza e contribuisce in modo fondamentale all’ottimizzazione dei sistemi produttivi in termini di produttività e azzeramento dei fermi impianto. Nel contesto della manutenzione predittiva si collocano le modalità di calcolo denominate MTTF (Mean Time To Failure) e MTBF (Mean Bime between Failures) riferite a impianti e linee di produzione.
Applicazioni organiche e strutturate delle tecnologie di condition monitoring sono già presenti in alcuni settori industriali, e si stanno via via consolidando in altri. Tra i settori all’avanguardia si possono citare ad esempio l’oil&gas (Figura 1), le lavorazioni meccaniche, i trasporti, l’industria alimentare, l’assistenza sanitaria (Figura 2), la gestione delle acque, i sistemi aeroportuali, l’industria cartaria, la green energy.
La gestione dei rischi mediante tecnologie avanzate di monitoraggio risulta maggiormente efficace se unita alla preparazione di personale tecnico specializzato, condizione in cui si verifica un effettivo miglioramento del ciclo di vita e della produttività degli impianti. Da questo punto di vista, uno degli aspetti più controversi delle logiche di condition monitoring diffuse e remotizzate è rappresentato dalla sicurezza nella gestione dei dati e dalle modalità con cui questi vengono utilizzati. La supervisione costante e una policy di secretazione delle informazioni deve essere accuratamente implementata per non incorrere in diffusioni non autorizzate di parametri sensibili, segreti industriali o incorrere in accessi non autorizzati di esterni nei meccanismi di controllo.
Per ottenere un certo livello di affidabilità, i dati devono essere innanzitutto filtrati ed interpretati da esperti. Inoltre, chi è meno esperto, in luogo dei dati, deve ricevere resoconti periodici e chiare valutazioni a supporto delle attività di assistenza necessarie. I dati forniti dai sensori, infatti, analizzati adeguatamente, possono contribuire a determinare quando una macchina è a rischio di guasto, in modo che un’eventuale manutenzione correttiva possa essere pianificata in anticipo.
Esistono, ad oggi, sistemi di analisi predittiva in grado di interpretare le letture dei sensori e, durante una fase iniziale di apprendimento della macchina, calcolare un indice di salute che fornisce un quadro preciso del normale stato del sistema. Questo indice viene successivamente impiegato per determinare e riferire regolarmente sulle condizioni di funzionamento nominali della macchina o dell’impianto. Quando viene riscontrato uno scostamento dalle condizioni nominali di funzionamento, occorre identificarne la causa e mettere in atto interventi di assistenza necessari a mantenere in funzione il sistema. In questo modo non solo è possibile ricevere una anticipata conoscenza del problema, ma si sviluppa progressivamente familiarità con la macchina: sapendo qual è il suo funzionamento in condizioni di normalità, sarà più semplice mantenerla correttamente in funzione. In aggiunta ai vantaggi sopra citati, oltre a prevedere e scongiurare fermi produttivi imprevisti, è importante utilizzare i dati acquisiti per ottimizzare i sistemi e ottenere una maggiore efficienza.
La gestione dei guasti
I sistemi tradizionali, come noto, richiedono un intervento manuale o fisico sull’impianto per constatare la presenza di un guasto. Nell’ottica invece di un’evoluzione del monitoraggio basata sulla remotizzazione dei dati, i sistemi si possono avvalere dell’intelligenza artificiale e della scienza di gestione dei dati per automatizzare l’analisi e determinare la presenza di anomalie. Questo tipo di innovazione evidentemente consente di liberare tempo ed energie fornite dagli operatori. Come già accennato, sistemi di questo tipo richiedono un periodo di apprendimento iniziale, durante il quale il funzionamento del sistema viene acquisito al netto di variabili statistiche legate ai normali scostamenti dalla condizione nominale di progetto. Questa fase, oltre a “istruire” il sistema di condition monitoring consente di ridurre il numero dei falsi positivi in sede di funzionamento. Una volta che il sistema ha acquisito queste informazioni, può determinare i cambiamenti nelle metriche delle prestazioni future che sono indicative di un errore in corso di sviluppo. Sistemi avanzati, poi, possono anche identificare tipologia e gravità del guasto stesso. A seconda dei casi, l’occhio umano può verificare che il guasto sia davvero tale prima che le operazioni di fermo linea e manutenzione siano intraprese.
Fra i molteplici esempi legati alle tecnologie di condition monitoring si può citare un sistema di monitoraggio basato sul rumore prodotto da un impianto. In questo caso, un campionamento del rumore ambientale iniziale consente di fissare il riferimento assoluto, mentre un campionamento del rumore nominale dell’impianto consente di determinare il riferimento relativo, il quale sarà variabile con le condizioni di lavoro. Quest’ultimo riferimento potrà essere espresso per esempio mediante un range di valori sulla scala dei decibel con una probabilità di accadimento correlata (bassa per i valori agli estremi del range, alta per quelli al centro del range). Al termine dell’apprendimento, il sistema di monitoraggio sarà in grado di capire se una tendenza anomala nel livello di rumore possa essere associata a un guasto incipiente. Di conseguenza, si potrà attivare una modalità di intervento, attiva o passiva. Esempi analoghi possono riguardare la misura di una temperatura, di una vibrazione o di altre grandezze.
