L'industria manifatturiera si trova di fronte alla sfida di gestire impianti di produzione sempre più complessi con la massima disponibilità. La manutenzione predittiva si è dimostrata una tecnologia chiave per affrontare proattivamente l'usura e i guasti. I componenti critici possono essere sostituiti calcolando prima che si verifichino interruzioni non programmate più gravi o addirittura danni ai pezzi della macchina.
Nessuna predizione senza misurazione precisa
Per poter fare previsioni fondate, è necessario prima conoscere il più possibile lo stato attuale di un sistema. Ciò che inizialmente sembra banale è spesso una sfida maggiore nella pratica ingegneristica. Le macchine e gli impianti stanno diventando sempre più complessi, il che rende spesso impossibile o non sostenibile il monitoraggio diretto e non distruttivo dei parametri critici.
Qui entra in gioco la sensoristica virtuale, nota anche come Soft o Inferential Sensing. Questa tecnica consente di dedurre una grandezza desiderata basandosi su parametri facilmente misurabili, che non possono essere misurati direttamente con strumenti fisici o solo con grande sforzo.
Un esempio interessante dall'industria è l'analisi della corrente del motore o Motor Current Signature Analytics (MCSA). Il metodo si basa sul fatto che la corrente assorbita da un motore a corrente alternata non è influenzata solo dalla tensione applicata, ma anche dallo stato del motore e dagli aggregati ad esso collegati. Le distorsioni nella curva del profilo di corrente, che non possono essere spiegate da deformazioni nella curva di tensione, devono quindi essere causate da malfunzionamenti nel sistema. Dalla misura delle deviazioni è possibile già dedurre la gravità di un guasto. Tuttavia, questo da solo non basta: gli ingegneri vogliono sapere esattamente dove si trovano le potenziali fonti di errore: si sta manifestando un disallineamento o un guasto ai cuscinetti, si verifica cavitazione nelle pompe, c'è un errore nel rotore o nello statore? Per dedurre problemi (meccanici) concreti dai profili di corrente e tensione misurati, è necessario successivamente riconoscere determinati schemi nelle deviazioni e collegarli a fonti di errore specifiche.
Machine Learning e previsioni
Quando si tratta di analizzare grandi volumi di dati e riconoscere schemi, l'intelligenza artificiale può sfruttare una delle sue grandi forze attraverso il machine learning. La tecnologia supporta i team di manutenzione nel realizzare una manutenzione predittiva basata su dati in tempo reale. In questo modo possono decidere quando eseguire quali lavori di manutenzione e coordinarli in modo ottimale con il carico di produzione.
Con la combinazione di MCSA e manutenzione predittiva supportata dall'IA, come avviene ad esempio nell'analisi dei motori di Eaton, i team ricevono previsioni specifiche sui tipi di guasto per ogni singolo motore - in un ordine di priorità e nel contesto più ampio del loro sistema elettrico. Successivamente, possono eseguire analisi più approfondite con un dashboard predefinito per comprendere meglio le deviazioni di prestazione nel funzionamento di macchine e impianti. La raccolta continua di dati digitali rende superflue le lunghe rilevazioni manuali. Questo non solo allevia il carico di lavoro dei dipendenti, ma riduce anche la probabilità di errori.
Grazie all'uso di soluzioni MCSA, le aziende possono inoltre prevedere sia guasti elettrici che meccanici fino al 30% prima e con il 25% di precisione in più rispetto ai tradizionali sistemi di monitoraggio delle condizioni. La funzione di previsione supportata dall'IA fornisce informazioni direttamente utilizzabili, senza la necessità di conoscenze approfondite del sistema specifico o di esperienza in data science.
In generale, si dimostra che la combinazione di sensoristica virtuale, analisi della corrente del motore e manutenzione predittiva supportata dall'IA offre alle aziende un vantaggio decisivo in termini di disponibilità ed efficienza dei loro impianti. Visioni precoci e precise sullo stato dei componenti critici non solo consentono una manutenzione pianificabile, ma riducono anche i rischi di guasto e i costi operativi. In questo modo, la manutenzione digitale e basata sui dati diventa un fattore chiave di successo per l'industria manifatturiera del futuro.
Contatto:
