Riduzione dei costi e aumento dell’efficienza con il CONDITION MONITORING in ambito industriale
Le aziende del settore industriale prediligono macchinari sempre più automatizzati ed efficienti che necessitano di metodi di manutenzione altrettanto affidabili.Se finora il metodo più diffuso era basato sulla schedulazione preventiva di manutenzioni periodiche (time-based maintenance, TBM), oggi ad esso si affianca un nuovo processo basato sulle condizioni del macchinario: condition-based maintenance (CBM). Questo metodo consiste nel compiere diagnosi sui macchinari in tempo reale, permettendo di prevedere guasti critici con diverse settimane di anticipo e riducendo drasticamente i fermi-macchina.Negli ultimi decenni, la comunità scientifica ha sviluppato nuove tecnologie e metodologie nell’ambito del condition monitoring, in conformità con l'hardware disponibile e adottato dall'industria. Inoltre, il Cloud computing è diventato il simbolo della tecnologia 4.0. Il risultato netto è un'analisi basata sui dati, che si riferisce alla capacità di analizzare grandi set di informazioni raccolte sul Cloud, spesso attraverso l'uso di sistemi esperti. In fase di sviluppo del CMS andrà valutato il caso specifico di ogni impianto, poiché ogni sistema si basa su processi di causa-effetto diversi. Esistono tuttavia livelli macro a cui fare riferimento che possono essere estesi alla maggior parte delle aziende manifatturiere. La manutenzione condition-based è un processo in quattro fasi: Data Acquisition, Data Pre-Processing, Data Cloud Processing e Data Post-Processing.La fase di Data Acquisition prevede l'impostazione dei sensori sul macchinario per acquisire e gestire la registrazione dei dati tramite un’unità centrale. Il campionamento dei dati può essere monitorato sia in modo continuo, che periodicamente secondo intervalli di tempo programmati. I dati acquisiti da ogni macchinario, prima di essere archiviati, vengono pre-processati, per ridurre la quantità di informazioni da inviare alla piattaforma Cloud e la latenza nel processo decisionale. Il Data Pre-Processing permette inoltre di ridurre i costi, poiché quantificati sulla piattaforma Cloud in base al numero dei dati elaborati, per questo aggregarli consente di ridurre le spese. È nella terza fase, durante il Data Cloud Processing, che i dati raccolti vengono archiviati sulla piattaforma Cloud. Le principali funzioni di questo step sono:L’analisi dei dati mediante tecniche di machine learning, grazie ai quali il sistema può essere interrogato di volta in volta su dati specifici. Il trasferimento dei dati offline che non hanno quindi bisogno di ulteriori elaborazioni. In questo caso la piattaforma in Cloud svolge il ruolo di archivio dei diversi dati provenienti dai macchinari. Infine i Data Post-Processing consiste nell’analisi delle informazioni raccolte. Di seguito le 4 finalità principal: Reportistica: gli output del condition-monitoring vengono suddivisi in differenti report sullo stato dei componenti del sottosistema. Questo avviene per semplificare la consultazione di diverse tipologie di dati dalle varie parti coinvolte (tecnici dell'assistenza, manager, consulenti e fornitori di servizi esterni, ecc.).Supporto decisionale: i report devono poi essere processati da un performance management center, un servizio di supporto strutturato che aggiorna e analizza lo storico dei dati raccolti per fornire una risposta critica all’operato.Analisi Model-based: una volta ricevuto un allarme dalla piattaforma Cloud, è possibile utilizzare strumenti di elaborazione del segnale più avanzati per valutare maggiori dettagli sul guasto.Service: nel caso in cui vengano identificati problemi, un report della situazione può essere inviato automaticamente ai tecnici dell’assistenza. I sistemi basati sul condition-monitoring aumentano produttività e affidabilità. Un servizio attento, in cui il cliente può ottenere pianificazioni ben precise e una costante attività, grazie alla riduzione delle interruzioni impreviste, migliorano anche il rapporto con il cliente.Nel prossimo articolo parleremo degli algoritmi nel condition monitoring
Le aziende del settore industriale prediligono macchinari sempre più automatizzati ed efficienti che necessitano di metodi di manutenzione altrettanto affidabili.
Se finora il metodo più diffuso era basato sulla schedulazione preventiva di manutenzioni periodiche (time-based maintenance, TBM), oggi ad esso si affianca un nuovo processo basato sulle condizioni del macchinario: condition-based maintenance (CBM). Questo metodo consiste nel compiere diagnosi sui macchinari in tempo reale, permettendo di prevedere guasti critici con diverse settimane di anticipo e riducendo drasticamente i fermi-macchina.
Negli ultimi decenni, la comunità scientifica ha sviluppato nuove tecnologie e metodologie nell’ambito del condition monitoring, in conformità con l'hardware disponibile e adottato dall'industria. Inoltre, il Cloud computing è diventato il simbolo della tecnologia 4.0. Il risultato netto è un'analisi basata sui dati, che si riferisce alla capacità di analizzare grandi set di informazioni raccolte sul Cloud, spesso attraverso l'uso di sistemi esperti.
In fase di sviluppo del CMS andrà valutato il caso specifico di ogni impianto, poiché ogni sistema si basa su processi di causa-effetto diversi. Esistono tuttavia livelli macro a cui fare riferimento che possono essere estesi alla maggior parte delle aziende manifatturiere.
La manutenzione condition-based è un processo in quattro fasi: Data Acquisition, Data Pre-Processing, Data Cloud Processing e Data Post-Processing.
La fase di Data Acquisition prevede l'impostazione dei sensori sul macchinario per acquisire e gestire la registrazione dei dati tramite un’unità centrale. Il campionamento dei dati può essere monitorato sia in modo continuo, che periodicamente secondo intervalli di tempo programmati.
I dati acquisiti da ogni macchinario, prima di essere archiviati, vengono pre-processati, per ridurre la quantità di informazioni da inviare alla piattaforma Cloud e la latenza nel processo decisionale. Il Data Pre-Processing permette inoltre di ridurre i costi, poiché quantificati sulla piattaforma Cloud in base al numero dei dati elaborati, per questo aggregarli consente di ridurre le spese.
È nella terza fase, durante il Data Cloud Processing, che i dati raccolti vengono archiviati sulla piattaforma Cloud. Le principali funzioni di questo step sono:
- L’analisi dei dati mediante tecniche di machine learning, grazie ai quali il sistema può essere interrogato di volta in volta su dati specifici.
- Il trasferimento dei dati offline che non hanno quindi bisogno di ulteriori elaborazioni. In questo caso la piattaforma in Cloud svolge il ruolo di archivio dei diversi dati provenienti dai macchinari.
Infine i Data Post-Processing consiste nell’analisi delle informazioni raccolte. Di seguito le 4 finalità principal:
- Reportistica: gli output del condition-monitoring vengono suddivisi in differenti report sullo stato dei componenti del sottosistema. Questo avviene per semplificare la consultazione di diverse tipologie di dati dalle varie parti coinvolte (tecnici dell'assistenza, manager, consulenti e fornitori di servizi esterni, ecc.).
- Supporto decisionale: i report devono poi essere processati da un performance management center, un servizio di supporto strutturato che aggiorna e analizza lo storico dei dati raccolti per fornire una risposta critica all’operato.
- Analisi Model-based: una volta ricevuto un allarme dalla piattaforma Cloud, è possibile utilizzare strumenti di elaborazione del segnale più avanzati per valutare maggiori dettagli sul guasto.
- Service: nel caso in cui vengano identificati problemi, un report della situazione può essere inviato automaticamente ai tecnici dell’assistenza.
I sistemi basati sul condition-monitoring aumentano produttività e affidabilità. Un servizio attento, in cui il cliente può ottenere pianificazioni ben precise e una costante attività, grazie alla riduzione delle interruzioni impreviste, migliorano anche il rapporto con il cliente.
Nel prossimo articolo parleremo degli algoritmi nel condition monitoring