Negli ultimi anni, l’applicazione del monitoraggio delle condizioni e della manutenzione predittiva ha registrato una crescita significativa, a causa delle crescenti esigenze in termini di disponibilità delle macchine e di efficienza complessiva. Sviluppi tecnologici quali i big data, gli algoritmi intelligenti, il cloud e le tecnologie wireless si stanno affermando sul mercato, potenziando le possibilità di analisi automatizzata e creando opportunità per ridefinire il processo di monitoraggio e analisi.
Il cloud industriale
La manutenzione basata sulle condizioni (CBM), o manutenzione predittiva, è fondamentale per i sistemi basati sul cloud. Questi sistemi offrono analisi e interpretazione dei dati basate su modelli/algoritmi definiti per macchinari e processi specifici. Le deviazioni rilevate dal sistema porteranno a raccomandazioni di manutenzione. Tali sistemi consentono alle aziende di passare dalla manutenzione reattiva a quella proattiva. La manutenzione può essere effettuata prima che si verifichino guasti effettivi.
Manutenzione predittiva
È importante comprendere che la manutenzione predittiva o CBM non dipendono da sistemi basati sul cloud. Molte aziende che offrono queste soluzioni commercializzano la manutenzione predittiva come un concetto nuovo. Non è così; i sistemi esistenti di monitoraggio delle condizioni (vibrazioni) sono presenti sul mercato industriale da decenni. Le strategie di manutenzione predittiva sono applicabili sin dall’introduzione dei sistemi di monitoraggio delle condizioni (online). I dati forniti da questi sistemi consentono di monitorare il comportamento delle vibrazioni, individuare le tendenze delle vibrazioni e possono essere utilizzati per la manutenzione predittiva. Inoltre, i sistemi che supportano l’analisi automatizzata non sono necessariamente basati sul cloud.
Perché utilizzare l’analisi automatizzata?
Le aziende devono fare i conti con un livello di competenza in forte calo. Ciò è in gran parte dovuto al pensionamento degli esperti e alla scarsità di giovani esperti o di persone con una formazione pertinente. Questa mancanza di competenza può essere risolta implementando un sistema che consenta l’analisi automatizzata, in cui la competenza viene sostanzialmente trasferita al sistema. Questo sistema utilizza modelli/algoritmi per analizzare e interpretare i dati sulle vibrazioni, fornendo come risultato raccomandazioni di manutenzione specifiche.
Grazie all’automazione dell’analisi e dell’interpretazione delle vibrazioni sui macchinari rotanti, è necessario un numero minore di ingegneri locali per svolgere questo lavoro. Per le aziende che devono fare i conti con un numero sempre più esiguo di esperti competenti in materia di vibrazioni, il passaggio a un sistema automatizzato potrebbe essere inevitabile.
Competenza su richiesta
A nostro avviso, la principale opportunità offerta da questi sviluppi è quella di migliorare l’efficienza e l’efficacia del monitoraggio delle condizioni. L’utilizzo dell’elaborazione automatizzata dei dati per fornire un’analisi di primo livello, senza la necessità di competenze locali, può rappresentare una svolta epocale. I sensori wireless e i sistemi di monitoraggio connessi possono ridurre l’impatto infrastrutturale e gli investimenti iniziali per i sistemi di monitoraggio. La condivisione dei dati può migliorare gli algoritmi per l’analisi automatizzata e offre opportunità di assistenza remota. Queste tecnologie aumentano l’efficacia complessiva e il valore dei sistemi e delle strutture di monitoraggio delle condizioni e trasformano i modelli di servizio in competenze su richiesta.
Considerazioni
Nonostante le opportunità offerte da queste nuove tecnologie, è necessario valutare attentamente gli aspetti rilevanti.
«Man mano che l’analisi e il processo decisionale vengono trasferiti a sistemi automatizzati ed esperti remoti, gli ingegneri locali saranno sempre meno coinvolti nelle macchine.»
1. Convalida dei dati
L’input è fondamentale per qualsiasi analisi automatizzata o remota, poiché queste si basano esclusivamente sulle informazioni fornite da tali input. Pertanto, l’input dei dati deve essere convalidato, includendo:
- Selezione del sensore giusto per l’applicazione
- Calibrazione dei sensori
- Rapporto segnale/rumore
Inoltre, l’accuratezza dei dati deve essere verificata. I dati presentati devono essere pertinenti e accurati per arrivare a una struttura di manutenzione predittiva funzionante. I dati a bassa accuratezza non possono essere utilizzati per il monitoraggio. Alla luce dell’accuratezza dei dati, è molto difficile gestire influenze ambientali (eccezionali), come cambiamenti nell’ambiente, condizioni di processo eccezionali o errori umani. Ad esempio, le vibrazioni causate da un’altra macchina (vibrazioni incrociate) potrebbero indurre il sistema automatizzato a generare un falso allarme.
2. Logistica e manutenzione
Per raccogliere dati rilevanti, devono essere garantiti la misurazione e il flusso di dati. Devono essere predisposte una manutenzione e una logistica adeguate, che includano:
- Prevenzione dei collegamenti incrociati dei sensori
- Prevenzione di un posizionamento/collocazione errata dei sensori
- Intervallo di raccolta dati rilevante
- Disponibilità di sensori di ricambio
- Gestione delle batterie dei sensori e strategia di sostituzione
- Connessioni di rete stabili, sicure e affidabili
3. Competenza locale
Man mano che l’analisi e il processo decisionale vengono trasferiti a sistemi automatizzati ed esperti remoti, gli ingegneri locali saranno sempre meno coinvolti con i macchinari. Di conseguenza, emerge una crescente dipendenza da esperti esterni per l’analisi e il supporto.
4. Sicurezza e privacy
Collegando sensori e hardware di monitoraggio a Internet, la sicurezza informatica diventa un rischio e si rendono applicabili nuove linee guida relative all’archiviazione e al trattamento dei dati, come la norma ISO 27001. Le vulnerabilità e le normative aumentano la complessità dell’implementazione di un sistema connesso.
