Il condition monitoring nell’industria 4.0: scenario e sfide verso un monitoraggio intelligente.

Giorgio De Pasquale, Smart Structures and Systems Lab, Politecnico di Torino

Elena Perotti, Senior Data Analyst

Il settore industriale si avvale di macchine di diversa natura, intelligenti e capaci di evolversi a diversi livelli di complessità e criticità a seconda dell’ambito di utilizzo.

Le severe condizioni operative cui sono talvolta sottoposte queste macchine possono provocare, nel corso del tempo, un deterioramento delle prestazioni, rischi per la sicurezza degli operatori, guasti improvvisi, incapacità di fornire servizi tempestivi ai clienti, danni ambientali e altri potenziali problemi.

Le conseguenze possono quindi includere incidenti, fermi macchina e perdite finanziarie tanto più gravi quanto meno rapido è il rilevamento del problema. Inoltre, è possibile che la rottura di un componente principale possa causare un effetto domino di complessa gestione sui sistemi sottostanti.

Diventa quindi essenziale, in tale contesto, identificare con precisione l’esistenza e la gravità delle criticità ancor prima che le stesse si verifichino, con l’obiettivo di mantenere adeguati livelli di affidabilità delle linee produttive, di garantire la qualità dei prodotti e minimizzare i rischi per la sicurezza e per l’ambiente.

Il rilevamento e l’identificazione dei guasti macchina può risultare arduo in sistemi complessi, che richiedono sofisticate e specialistiche attività di monitoraggio e diagnostica.

In letteratura, le tecniche di manutenzione sono suddivise in tre tipologie: la manutenzione correttiva (da eseguire in caso di guasto), la manutenzione preventiva e la cosiddetta “condition-based maintenance” (CBM).

Nel corso del tempo si verifica la tendenza a privilegiare la manutenzione preventiva e predittiva rispetto all’intervento in emergenza, proprio per i motivi prima menzionati. Intervenire in emergenza è la modalità più basica della manutenzione poiché non si richiedono azioni sino all’effettiva rottura dell’apparecchiatura.

Si può dunque procedere ripristinando il normale funzionamento dei componenti guasti riparando quelli difettosi o sostituendoli con altri nuovi.

Tuttavia, l’arresto macchina può limitare la capacità di utilizzo futura e avere gravi ripercussioni sulla produttività e sulla qualità del prodotto.

Al contrario, uno schema di manutenzione preventiva include l’impostazione di intervalli periodici per le ispezioni e gli interventi sulla macchina, indipendentemente dalle condizioni di salute della stessa. Questo metodo aiuta a prevenire i guasti funzionali, sostituendo componenti critici a intervalli regolari prima della fine della loro vita utile prevista.

Sebbene la manutenzione preventiva riduca la frequenza dei guasti non pianificati e aumenti l’affidabilità degli impianti, risulta comunque costosa a causa delle frequenti sostituzioni di componenti prima del tempo e della riduzione della disponibilità delle attrezzature stesse.

Inoltre, può generare altri guasti non correlati dovuti alla rimozione e sostituzione di certe parti. In altre parole, entrambi gli approcci sono piuttosto costosi a causa di possibili perdite in termini di capacità produttiva.

Per questo motivo le tecniche tradizionali di manutenzione stanno lasciando il posto alla citata CBM e al “condition monitoring”.

Ovvero, le imprese hanno iniziato ad attuare politiche di manutenzione in cui la condizione istantanea della macchina diventa il parametro chiave per impostare l’intervallo di manutenzione e gli opportuni processi.

Con lo sviluppo esponenziale delle tecnologie informatiche e la loro applicazione nell’industria, grazie all’“industrial internet of things” (IIOT), sono disponibili nuovi scenari con cui attuare la manutenzione sulla base di informazioni desunte dalle condizioni effettive di ciascuna macchina.

Questo approccio, come dimostrano i fatti, permette di raggiungere significativi obiettivi in termini di riduzione dei costi e incremento dell’affidabilità.

Mediante la CBM anzitutto non si interrompe il normale funzionamento della macchina. È possibile poi valutare se l’impianto necessita di manutenzione e, in questo caso, di determinare quando occorre eseguire le azioni necessarie.

Si possono impostare degli “alert” che si attivano quando i valori soglia previsti vengono superati e i sintomi del guasto imminente entrano in una zona di allarme. Il controllo dello stato delle macchine può avvenire in remoto, senza necessità di operatori sul campo.

In questo modo, da un lato gli operatori hanno il tempo di intervenire con le azioni correttive (ispezioni visive, misure manuali puntuali, sostituzioni, etc.), dall’altro l’impianto non deve essere arrestato in modo sistematico ma solo quando strettamente necessario.

Come detto, questa metodologia è nota come condition-based maintenance (CBM). La CBM è divenuta predominante in settori chiave per i requisiti di affidabilità e sicurezza: l’industria aeronautica, la produzione di semiconduttori, il settore nucleare, il settore oil&gas, l’industria del cemento e dell’acciaio, i generatori eolici, l’industria navale.

Il flusso dei dati in un processo CBM

Il condition monitoring (o CBM) si basa quindi sul monitoraggio del deterioramento progressivo di macchine e impianti, misurando e analizzando uno o più fattori (quali temperatura, vibrazioni, attrito etc.) di parti e componenti. Mediante opportuni algoritmi di prognostica applicati a questi dati è possibile definire e pianificare la manutenzione necessaria ad assicurare il continuo funzionamento dell’impianto, operando una diagnosi precoce dei guasti e prevenendo arresti improvvisi e danni indiretti.

L’implementazione un sistema CBM ha vari livelli di complessità in base ai casi specifici e può anche richiedere consistenti investimenti per costituire un’architettura informatica adeguata.

La complessità di questi sistemi è legata all’utilizzo di diversi dispositivi hardware (fra cui sensori e server) e software in grado di interagire fra loro.

La figura 1 presenta, in linea generale, le tre fasi chiave di un processo CBM:

1. Acquisizione: raccolta dei dati utili provenienti da determinati componenti fisici dell’impianto e successiva memorizzazione delle informazioni relative allo stato di salute della macchina.
2. Elaborazione e analisi: applicando gli algoritmi di conversione del dato grezzo acquisito in precedenza in un’informazione funzionale, si effettua la diagnosi vera e propria.
3. Processo decisionale: si emettono le indicazioni/raccomandazioni di intervento manutentivo con lo scopo di intraprendere azioni correttive utili.

Un sistema di condition monitoring risulta complesso poiché prevede l’interazione di numerosi attori, partendo dal macchinario sensorizzato, sino all’interazione con il tecnico specializzato in manutenzione.

Il flusso delle informazioni è articolato in diversi livelli (fig. 1) che sfruttano sistemi informatici specifici.

I sensori fisici installati sulla macchina registrano i dati che vengono raccolti, processati, confrontati con i risultati attesi per identificare eventuali anomalie e, successivamente, aggregati per effettuare una stima precisa del livello di salute del sistema.

Diagnostica e prognostica

In questo ambito è possibile parlare di “diagnostica” e di “prognostica”, entrambi aspetti essenziali di un sistema CBM.

La diagnosi è la capacità di rilevare malfunzionamenti, nel momento in cui qualcosa non funziona correttamente, isolare e identificare il guasto, determinare la natura del guasto stesso e stabilirne il potenziale impatto sul funzionamento generale del sistema.

La prognosi, invece, è la capacità di utilizzare le osservazioni storiche disponibili al fine di prevedere gli stati imminenti della macchina, inclusa la previsione di un guasto prima che si verifichi.

Un po’ come avviene con la medicina, la diagnosi costituisce il responso a fronte di un malessere percepito dal paziente, mentre la prognosi ha l’obiettivo di prevenire malattie indesiderate.

Ovviamente, in termini di prognostica, è molto difficile effettuare previsioni con accuratezza assoluta; ecco perché la diagnostica deve essere utilizzata come strumento complementare per fornire supporto alle decisioni di manutenzione quando l’approccio previsionale è incerto (ad esempio se la macchina sta lavorando al di fuori delle regolazioni tradizionali).

A livello pratico, quindi, diagnostica e prognostica solitamente convivono e permettono, attraverso l’esperienza, di prevedere guasti futuri con un’accuratezza sempre migliore.

Tutte le elaborazioni ottenute dalle varie procedure devono essere poi visualizzate e presentate tramite un’interfaccia per l’esperto responsabile di compiere le decisioni relative alla manutenzione.

Sviluppo di un sistema di diagnosi dei guasti: tre categorie principali

Con il progresso tecnologico in ambito di condition monitoring, e in particolare delle tecnologie legate alle reti, è possibile suddividere i sistemi di diagnostica del guasto in tre categorie.

1) Sistema di diagnosi del singolo guasto (single fault diagnosis system)

Esso valuta in tempo reale lo stato di salute di una specifica macchina.

Un sistema di diagnosi dei singoli guasti, al fine di semplificare la diagnostica e l’analisi, ignora la complessità della macchina e l’incertezza causata dalle interazioni tra i componenti, rilevando ciascun componente in modo individuale, con conseguente riduzione della confidenza statistica delle rilevazioni.

Spesso si sceglie di rilevare più guasti relativamente ad ogni singolo componente e altrettanto spesso il grado e la velocità di risposta a fronte di ciascun guasto sono diversi, per cui si preferisce integrare varie tecniche diagnostiche per sistemi di questo tipo.

2) Sistema di diagnosi distribuito (distributed fault diagnosis system)

Questa modalità di diagnosi combina le informazioni provenienti da diversi componenti con lo scopo di migliorare l’affidabilità del monitoraggio, sia del singolo componente, sia del sistema nel suo complesso.

Si tratta di una modalità operativa interessante in particolare nell’ambito di impianti complessi e moderatamente automatizzati.

Un sistema distribuito è costituito da differenti sottosistemi diagnostici, ciascuno dei quali rileva in modo indipendente il guasto relativo alla sua area di competenza.

Nel caso in cui un dato sottosistema non sia in grado di fornire informazioni adeguate, vengono utilizzati i dati provenienti da altri sottosistemi.

Solitamente tali sistemi operano su reti locali per la gestione e lo scambio delle informazioni.

3) Sistema di diagnosi remoto (remote fault diagnosis system)

Come detto, le attuali tecnologie consentono di remotizzare i sistemi di diagnostica, avvalendosi della rete per inviare le informazioni relative ad un dato guasto alla centrale di manutenzione.

Inoltre, sempre via internet, gli addetti ai lavori condividono anche il risultato della diagnosi e le indicazioni operative di manutenzione.

Gli operatori possono ovviamente analizzare le prestazioni degli impianti da qualsiasi parte del mondo.

Le criticità maggiori dei sistemi di diagnosi remoti risiedono nell’esistenza di architetture informatiche diverse, che possono rendere complicata la condivisione e lo scambio di informazioni.

Per ovviare a questo problema, si tenta di adottare standard internazionali e tecnologie in grado di supportare l’interoperabilità tra le piattaforme.

Una panoramica dei parametri sensibili per il condition monitoring

I dati per supportare il condition monitoring sono distinti in dati di monitoraggio e dati relativi ad eventi.

Nel primo caso, si parla di misurazioni relative allo stato di salute della macchina, nel secondo caso si tratta di informazioni relative a controlli, cambiamenti operativi, settaggi (ad esempio, installazioni, riparazioni, cambio olio, etc.).

Entrambe le categorie in questione sono ugualmente importanti nel CBM, anche se spesso i dati relativi ad eventi, in modo erroneo, non sono considerati al pari degli altri.

In realtà, proprio questi dati sono i più esplicativi per ricercatori e tecnici in ottica di riprogettazione e miglioramento degli impianti.

In merito ai dati di monitoraggio, sono utilizzate diverse tecniche di acquisizione con riferimento a parametri come vibrazioni, corrente, emissioni acustiche, temperatura dei lubrificanti, utilizzando varie tipologie di sensori. Vediamo una sintesi delle principali tipologie di monitoraggio dati.

Monitoraggio delle vibrazioni

Si tratta di un metodo consolidato e ancora largamente utilizzato. I dati di vibrazione (intesi come spostamenti, velocità, accelerazioni o loro dati aggregati), si riferiscono alle condizioni di funzionamento dinamico della macchina e quindi sono il metodo più utilizzato ed efficace per valutarne il funzionamento.

Siccome i guasti possono produrre mutazioni del segnale vibratorio, questo dato consente di rilevare le anomalie tipiche che ci si può attendere su una data macchina: disallineamenti, perdita di equilibratura, allentamenti, problemi di ingranamento, usura di parti rotanti, etc.

Ad esempio, una fessurazione incipiente sulla pista di un cuscinetto genera un lieve impulso (o accelerazione) ad ogni rotazione, la cui intensità può essere correlata alla gravità del difetto e alla tempistica attesa di cedimento del componente.

I segnali di vibrazione sono solitamente acquisiti da sensori di spostamento, di velocità e di accelerazione. Un vantaggio del monitoraggio delle vibrazioni è la possibilità di diagnosticare diversi tipi di guasto, sia meccanici sia elettrici; i sensori inoltre sono generalmente poco costosi, consentono misurazioni immediate e ben localizzate sui componenti.

Ovviamente, i limiti sono legati alla necessità di accedere in modo diretto alla macchina, condizione non sempre possibile in presenza di architetture complesse, elevate temperature, fenomeni corrosivi o altri fattori ambientali.

Inoltre, tali condizioni sono fonte di disturbi e rumore nelle misurazioni, le quali devono essere filtrate in modo accurato da personale appositamente formato.

Analisi di corrente

Si consideri un motore elettrico in cui sussistano difettosità di tipo meccanico, per esempio un lieve disallineamento dell’albero o un’anomalia ai cuscinetti.

Sul rotore si osserverà una sorta di oscillazione di coppia e gli avvolgimenti saranno indotti a generare una coppia elettrica corrispondente per bilanciare questa oscillazione di coppia.

Si tratta di un semplice esempio di come un guasto meccanico possa riflettersi su un segnale di corrente.

Il vantaggio di questo tipo di monitoraggio è che non occorre generare un segnale specifico attraverso un sensore, ma si può leggere direttamente il segnale dai sistemi di protezione installati sugli impianti.

Questo metodo facilita quindi la diagnosi dei guasti, ma bisogna tenere conto del fatto che spesso le perturbazioni del segnale di corrente sono molto deboli rispetto alla componente dominante, che è quella dell’alimentazione.

Quindi, per gli organi a valle della parte motrice (ad esempio un riduttore di velocità) di una macchina elettromeccanica, i guasti meccanici possono indurre variazioni molto piccole sulla corrente del motore e non essere rilevate con sufficiente tempestività.

Si deve inoltre prestare attenzione alla interpretazione del dato, operazione che richiede esperienza e formazione, poiché in molti casi una variazione dello spettro di corrente può essere determinata, non da guasti, ma dalle oscillazioni dinamiche sul traferro, dalle eccentricità delle parti del motore, dalle variazioni del carico o dalla variazione della frequenza di alimentazione.

Emissioni acustiche

L’analisi delle emissioni acustiche è diventata un efficace strumento per il condition monitoring, grazie ai numerosi vantaggi in termini di rilevamento precoce dei gusti.

Originariamente utilizzata per prove non distruttive di strutture statiche, negli ultimi anni è stata estesa al condition monitoring delle macchine, ad esempio per casi di danneggiamento e fessurazione di parti in composito, danneggiamento di cuscinetti e altri organi rotanti, etc.

L’analisi delle emissioni acustiche si basa sulle onde elastiche transitorie generate dall’interfaccia dei componenti in movimento.

Poiché la risposta in frequenza dell’emissione acustica (compresa tra 100 kHz e 1 MHz) è superiore a quella delle vibrazioni meccaniche delle macchine, questo tipo di monitoraggio consente di catturare danni superficiali lievi e danni sotto-superficiali.

Tuttavia l’analisi delle emissioni acustiche non è adatta a monitoraggio permanente a causa dei requisiti di archiviazione dei dati legati al suo funzionamento in alta frequenza (che produce enormi moli di dati da elaborare, classificare e interpretare) e al costo elevato dei sensori necessari rispetto ad altre soluzioni.

Dal lato pratico, spesso risulta difficile individuare la fonte delle emissioni registrate dai sensori e spesso il segnale viene fortemente attenuato e soggetto a riflessioni prima di raggiungere il sensore, complicando le operazioni di interpretazione dei dati.

Monitoraggio della temperatura

Negli ultimi decenni il monitoraggio della temperatura è stato ampiamente utilizzato come parametro per la valutazione dello stato di salute delle macchine. Molti componenti, durante il funzionamento, si trovano ad una temperatura variabile entro un certo intervallo di valori.

E’ possibile quindi confrontare la temperatura effettiva del componente con l’intervallo atteso per capire se si è verificato un guasto. Questo in linea generale.

Ovviamente ci sono le eccezioni, poiché un aumento di temperatura può essere causato da molteplici fattori quali la variazione del carico di lavoro della macchina, della velocità, la degradazione dell’olio lubrificante, etc. Quindi, anche in caso di osservazione di un riscaldamento anomalo, è necessario valutarne la causa prima di agire in ottica manutentiva.

Esistono diversi metodi di monitoraggio della temperatura, che includono metodi passivi senza contatto (utilizzando telecamere all’infrarosso) e metodi attivi a contatto (ad esempio con termocoppie).

Fra i metodi passivi è da citare la termografia a infrarosso (IRT), metodo piuttosto recente in ambito CBM che misura a distanza la temperatura di un oggetto e ne fornisce l’immagine termica.

Il rilevatore misura la radiazione infrarossa (IR) emessa da un oggetto in modo non intrusivo e, sfruttando la legge di Stefan-Boltzmann, consente di ricavarne la temperatura.

La scansione IR può fornire una buona panoramica delle macchine e della loro elettronica di controllo, rilevando problemi di surriscaldamento.

Analisi dell’olio

Questa analisi può essere suddivisa in due categorie: il monitoraggio delle condizioni dell’olio e il rilevamento di detriti. La prima tecnica viene eseguita in laboratorio utilizzando test chimici e tribologici per determinare proprietà e condizioni dell’olio di lubrificazione.

I risultati indicano se l’olio deve essere cambiato, valutandone la degradazione causata da ossidazione, calore e contaminazioni.

Questa tecnologia è utilizzata molto raramente per valutare le condizioni della macchina ed è invece mirata alla comprensione delle condizioni specifiche del lubrificante. Il rilevamento dei detriti presenti nell’olio, invece, è un metodo ormai consolidato per valutare sia la qualità del lubrificante sia lo stato di usura dei componenti della macchina a contatto con l’olio stesso.

In questo caso, l’attenzione è posta sul contenuto e la morfologia dei detriti e la loro distribuzione per confermare lo stato di usura dei componenti.

Negli ultimi decenni sono state sviluppate molte tecniche di rilevamento dei detriti a questo scopo, che possono essere intese come tecniche “offline” e “online”. La seconda tipologia è la più accurata per avere informazioni dello stato di usura in tempo reale e include per esempio il metodo ottico, il metodo induttivo, il metodo resistivo-capacitivo ed i metodi acustici.

Rispetto ad altri parametri come la vibrazione, il metodo di analisi basato sui detriti dell’olio è più precoce nell’identificare la perdita di integrità meccanica e può monitorare l’evoluzione del processo di usura.

Inoltre, ha altri diversi vantaggi, tra cui la lunga persistenza delle informazioni (i detriti rimangono a lungo in circolo finché non vengono eliminati con filtri appositi o sostituzione dell’olio), la insensibilità alle interferenze con altri fattori (una contaminazione ferrosa non potrà che dipendere da fenomeni di usura di componenti ferrosi), una proporzionalità diretta fra entità della contaminazione ed estensione delle superfici di usura.

Ovviamente, il limite di questa analisi sta nel fatto che sia applicabile solamente a sistemi lubrificati ad olio con sistema di ricircolo.

Sintesi

A seconda del principio di rilevamento, ogni metodologia di monitoraggio ha i suoi vantaggi e i suoi svantaggi, come riassunto nella tabella 1.

Per esempio, l’analisi delle vibrazioni è la tecnologia più diffusa nel condition monitoring, ma richiede una formazione specifica per una corretta installazione dei sensori e non consente un rilevamento molto precoce del guasto; il monitoraggio acustico può superare quest’ultimo ostacolo, ma soffre i fenomeni di attenuazione e riflessione del segnale prima che gli stessi raggiungano i sensori; il rilevamento della corrente non necessita di sensori aggiuntivi, ma è limitato dal basso rapporto segnale-rumore; l’analisi della temperatura e dei detriti nell’olio lubrificante sono usate solo in condizioni particolari o ausiliarie.

Il sistema multi-sensore che mira a utilizzare più sensori per migliorare la precisione del monitoraggio è la direzione in cui sta evolvendo il CBM di sistemi complessi nel prossimo futuro.

Tecniche di analisi del segnale di vibrazione

Si considera di seguito la tipologia più comune di misurazione legata al condition monitoring, l’analisi delle vibrazioni, per descrivere le diverse metodologie di gestione del dato.

I segnali forniti dai sensori di vibrazione, in ottica di condition monitoring e prevenzione dei guasti, sono di tipo diverso.

I dati forniti devono essere processati, filtrati, eventualmente convertiti ed infine elaborati con l’obiettivo di minimizzare o eliminare il rumore e fornire informazioni relative ai possibili difetti.

L’analisi del segnale produce informazioni sull’evoluzione del sistema monitorato, tenendo conto di diversi domini fisici. È possibile, di conseguenza, analizzare lo stato delle macchine usando varie metodologie.

Le tecniche più comuni sono tre:

1. Analisi basata sul tempo

Nell’analisi nel dominio del tempo sono considerati il valore efficace della grandezza misurata (eventualmente inteso come valore quadratico medio – RMS), il valore picco-picco e l’ampiezza (fig. 4).

Se immaginiamo di applicare tale misura a un sistema motorizzato, per esempio, il valore picco-picco corrisponderà alla massima deformazione di uno dei componenti rotanti (per esempio dell’albero motore), definendone quindi i picchi di sollecitazione.

L’ampiezza del segnale armonico descrive invece l’entità della vibrazione e consente di identificare eventi insoliti nel profilo di carico.

Questi due parametri, tuttavia, non considerano la durata del fenomeno vibratorio né l’energia da esso prodotta, e perciò non forniscono informazioni relative al livello di pericolosità del fenomeno.

È possibile calcolare, mediate algoritmi predittivi, una soglia critica del valore efficace RMS correlando i tre parametri alla velocità del motore. Questo tipo di analisi si dimostra efficace e non richiede particolari conoscenze costruttive del sistema, né analisi spettrali.

2. Analisi basata sulla frequenza

In questo caso, il segnale vibrazione misurato nel tempo viene scomposto nelle sue componenti di frequenza tramite la cosiddetta Trasformata di Fourier (fast Fourier transform, FFT).

I grafici ottenuti mettono in relazione frequenza e ampiezza delle vibrazioni, permettendo la valutazione di specifiche componenti vibrazionali in frequenza, insieme alle loro armoniche e bande laterali (fig. 5).

La FFT è un metodo ampiamente utilizzato nelle analisi delle vibrazioni, specialmente per individuare danni ai cuscinetti. Il principio su cui si basa è quello di associare le parti meccaniche della macchina a specifici contenuti in frequenza, in modo tale da individuare le armoniche dominanti del guasto (prodotte ad esempio da forzanti cicliche causate dal contatto rotante con parti difettose).

Nel caso dei cuscinetti, per esempio, visto che le componenti in frequenza differiscono fra loro in base al posizionamento del difetto, è possibile distinguere diversi tipi di danni (all’anello esterno, a quello interno, ai corpi volventi, etc.).

Come è chiaro, a differenza dell’analisi nel tempo, in questo caso è necessario conoscere nel dettaglio le caratteristiche costruttive del componente per identificare e localizzare il guasto.

Inoltre, è necessaria una gestione intelligente dell’acquisizione del segnale in termini di frequenza di campionamento e numero di dati acquisiti, realizzabile ad esempio mediante un ADC (analog-to-digital converter) o un microcontrollore.

Nonostante le prestazioni di calcolo richieste siano superiori rispetto al metodo basato sul tempo, l’analisi del danno nel dominio della frequenza è più accurato.

3. Analisi combinata tempo-frequenza

Questo tipo di analisi risulta essere la più completa, poiché unisce i vantaggi di entrambi i metodi precedenti. L’analisi nel dominio del tempo fornisce informazioni sull’intensità delle vibrazioni e valuta se queste ultime rientrano nell’intervallo ammissibile o meno.

L’analisi nel dominio della frequenza permette una più precisa identificazione dei sintomi di malfunzionamento, in forma di componenti armoniche.

Un tipo di analisi combinata risulta unire l’efficacia dei due metodi precedenti. Questa si basa sulla identificazione e memorizzazione della risposta in frequenza della macchina in condizioni di salute e a regimi di velocità noti (la cosiddetta “fingerprint”, ovvero l’impronta digitale del sistema).

Successivamente, durante il funzionamento della macchina, questa impronta viene periodicamente confrontata con i dati via via misurati nel dominio della frequenza, ad esempio mediante FFT. In caso di anomalie, si osservano i fenomeni di “frequency shift” sullo spettro vibrazionale.

Quindi, in caso di deviazioni eccessive è possibile prevedere una soglia di avviso e una di allarme (fig. 6).

In base alla gravità della situazione, le deviazioni osservate potrebbero richiedere anche un intervento immediato da parte dei tecnici.

CBM tra vantaggi, svantaggi e scenari futuri

In ambito di approccio al condition monitoring, rispetto al passato, sono visibili segnali di forte cambiamento. Come sottolineato, fra le voci di costo maggiormente considerate in ambito industriale ci sono quelle relative alla manutenzione, da sole in grado di assorbire dal 15 al 40% in media dei costi totali di produzione, variando a seconda del tipo di industria. Si stima inoltre che circa un terzo di tutti i costi di manutenzione venga assorbito da attività non necessarie o improprie. Oggi la manutenzione virtuosa è quindi percepita come una soluzione a molti problemi del passato e un fattore in grado di contribuire al profitto aziendale, insomma una sorta di competenza obbligatoria per innalzare il livello di competitività. Recentemente, la ricerca e l’implementazione di strumenti di rilevamento e diagnostica automatizzata dei guasti stanno vivendo un notevole impulso. In alcuni casi molto di avanguardia, tali strumenti si basano su modelli predeterminati, o sistemi molto avanzati di reti neurali. In particolare, si osserva l’adozione di metodologie flessibili, ovvero adattabili a una vasta gamma di ambiti produttivi. La già citata “industrial internet of things” (IIoT), il cloud storage, l’analisi dinamica dei dati ed altre tecnologie avanzate stanno giocando un ruolo sempre più importante nel condition monitoring. Secondo alcuni recenti studi, l’IIoT e l’analisi dei big data possono migliorare l’efficienza della manutenzione predittiva del 25-30%. Inoltre, il tasso di crescita annuale della manutenzione predittiva si attesta al 39% nell’arco di tempo compreso fra il 2016 e il 2022 (al netto del periodo di pandemia), secondo il rapporto sulla manutenzione predittiva globale pubblicato da IOT Analytics. Esiste una vastissima letteratura tecnica relativa alla diagnostica e alla prognostica dei guasti delle macchine, molto diversificata fra i settori industriali. In modo unanime comunque emerge l’evidenza che queste pratiche comportino un aumento dell’efficienza delle linee di produzione. Molti dei reparti di manutenzione, fino a poco tempo fa abituati a intervenire su chiamata o in modo programmato, si stanno dotando di strumenti (come pannelli di controllo elettronici e centralizzati) che indicano in tempo reale la condizione operativa e di rischio degli impianti. Tutto ciò a vantaggio della disponibilità delle linee, sempre più al riparo da fermi macchina costosi e non voluti.

• C. Liu et al., “Technology development and commercial applications of industrial fault diagnosis system: a review”, Int J Adv Manuf Technol, 2021.
• K. Kudelina et al. “Trends and Challenges in Intelligent Condition Monitoring of Electrical Machines Using Machine Learning”, Appl. Sci., vol. 11, pp. 2761, 2021.
• J. Campos, et al., “An Open Source Framework Approach to Support Condition Monitoring and Maintenance”, Applied Sciences, vol. 10, n. 18, pp. 6360, 2020.
• G. De Pasquale, A. Buffon, L. Bongiorni, “Sensors integration in additive DMLS metal parts”, atti convegno Additive Manufacturing Meets Medicine (AMMM), 2020.
• H. Nuno Teixeira et al., “Condition-based maintenance implementation: a literature review”, Procedia Manufacturing, vol. 51, pp. 228-235, 2020.
• Predictive Maintenance Market Report 2021-2026. On-line at: www.iot-analytics.com.
• M. Kuntoglu et al., “A Review of Indirect Tool Condition Monitoring Systems and Decision-Making Methods in Turning: Critical Analysis and Trends”, Sensors, vol. 21, n. 1, 2021.
• H. Sun et al., “Machine learning applications for building structural design and performance assessment: State-of-the-art review”, Journal of Building Engineering, vol. 33, 2021.
• J. Singh et al., “A systematic review of machine learning algorithms for prognostics and health management of rolling element bearings: fundamentals, concepts and applications”, Measurement Science and Technology, vol. 32, n. 1, 2021.
• J.Y. Jiao et al., “A comprehensive review on convolutional neural network in machine fault diagnosis”, Neurocomputing, vol. 417, pp. 36-63, 2020.
• O. AlShorman et al., “A Review of Artificial Intelligence Methods for Condition Monitoring and Fault Diagnosis of Rolling Element Bearings for Induction Motor”, Shock and Vibration, 2020.