Come funziona la manutenzione predittiva con IoT e AI?

La manutenzione predittiva è la pratica di intervenire sulle macchine in base alla loro condizione misurata e a una previsione del momento in cui si guasteranno, invece che in base a un calendario fisso o dopo la rottura. È l’applicazione più matura dell’AIoT, perché gli ingredienti si incastrano: le macchine rotanti producono segnali fisici ricchi, sensori economici li catturano e un fermo non pianificato costa abbastanza da giustificare lo sforzo.

Il settore ha una lunga storia precedente all’AI. Gli analisti delle vibrazioni diagnosticano i cuscinetti a orecchio e con lo spettro da decenni. Quello che l’IoT aggiunge è la misura continua su molti asset, invece di un giro mensile con uno strumento portatile; quello che l’AI aggiunge è la capacità di imparare che cosa è normale per ogni singola macchina e di segnalare i cambiamenti lenti che una soglia non vedrebbe.

Questa guida presenta le tre strategie di manutenzione, i segnali e l’elaborazione che c’è dietro, il percorso dal monitoraggio alla previsione, dove dovrebbe girare il calcolo e le insidie che affondano la maggior parte dei progetti.

Reattiva, preventiva o predittiva?

La manutenzione reattiva fa lavorare le macchine fino al guasto: facile da organizzare, costosa in termini di fermo e di danni collaterali.

La manutenzione preventiva sostituisce i componenti secondo un calendario ricavato dai dati del produttore. Evita la maggior parte dei guasti, ma spreca componenti ancora buoni e continua a perdersi i guasti precoci, che del calendario non tengono conto.

La manutenzione predittiva misura ogni asset e interviene quando la misura lo richiede. Fatta bene, allunga gli intervalli sulle macchine sane e intercetta le eccezioni. Non è gratis: servono sensori, connettività, modelli e un’organizzazione della manutenzione che si fidi degli avvisi e sappia agire entro la finestra di preavviso.

Il livello di misura sottostante è il monitoraggio delle condizioni. Molte installazioni si fermano lì, con valori tracciati nel tempo e soglie semplici, ed è un risultato legittimo. La previsione è il passo successivo.

Quali segnali misurare?

Quattro segnali coprono la maggior parte delle macchine rotanti, e la scelta giusta dipende dalla modalità di guasto che ti aspetti.

La vibrazione è il segnale principale per cuscinetti, ingranaggi, squilibrio, disallineamento e allentamenti, ed è catturata da un accelerometro sul supporto del cuscinetto. Gli accelerometri MEMS sono economici e adeguati in molti casi; i sensori piezoelettrici coprono frequenze più alte e sono la scelta tradizionale per gli asset critici.

La corrente del motore è il segnale per i guasti elettrici e per i guasti meccanici che caricano il motore. Una pinza amperometrica su una fase non è invasiva e sta nel quadro elettrico anziché sulla macchina, il che la rende adatta alle apparecchiature difficili da raggiungere o pericolose.

La temperatura segue i problemi di lubrificazione, il sovraccarico e i guasti elettrici. È un indicatore in ritardo, ma economico e facile da interpretare.

L’emissione acustica e gli ultrasuoni rilevano attrito, perdite e danni precoci ai cuscinetti prima che la vibrazione li mostri, al prezzo di frequenze di campionamento più alte e di un’interpretazione più specialistica.

Come si leggono le firme?

Vibrazione

Un segnale di vibrazione viene campionato a una frequenza fissata dalla frequenza più alta di interesse; il criterio di Nyquist richiede almeno il doppio di quella frequenza, e i sistemi reali campionano più in alto. Le frequenze di difetto dei cuscinetti scalano con la velocità dell’albero e dipendono dalla geometria del cuscinetto, ed è per questo che la velocità deve essere misurata o nota.

L’analisi di base è la trasformata di Fourier, che converte una finestra temporale in uno spettro. Lo squilibrio appare come un picco alla velocità dell’albero, il disallineamento al doppio della velocità dell’albero, i difetti di ingranamento al numero di denti moltiplicato per la velocità dell’albero, e i guasti dei cuscinetti alle frequenze caratteristiche calcolate dalla geometria. La velocità RMS complessiva, tracciata nel tempo, è l’indicatore di salute più semplice, e la serie ISO 20816 ne fornisce le zone di severità per classe di macchina.

I guasti precoci dei cuscinetti si nascondono sotto forma di piccoli impatti sovrapposti a un grande segnale a bassa frequenza. L’analisi dell’inviluppo, che applica un filtro passa-banda attorno a una risonanza e poi demodula, estrae la frequenza di ripetizione degli impatti, così da poterla confrontare con le frequenze del cuscinetto. Anche le feature nel dominio del tempo, come la curtosi e il fattore di cresta, salgono bruscamente quando iniziano gli impatti.

Questi spettri e queste feature sono gli input di qualsiasi modello. Dare in pasto a una rete neurale i campioni grezzi batte raramente un insieme di feature scelte bene quando i dati sono pochi, e le feature costano abbastanza poco da poterle calcolare su un microcontrollore.

Corrente del motore

L’analisi della firma della corrente del motore legge la stessa storia meccanica dal lato elettrico. Le variazioni di carico modulano la corrente, quindi i guasti compaiono come bande laterali attorno alla frequenza di alimentazione. Barre di rotore rotte, eccentricità e alcuni problemi di cuscinetti e riduttori hanno firme riconoscibili. Il vantaggio è che il sensore sta nel quadro elettrico, il segnale è immune ai problemi di montaggio e una pinza per motore costa poco da installare su larga scala. Il limite è una sensibilità ai danni precoci dei cuscinetti inferiore a quella di un accelerometro ben posizionato.

Come si passa dal monitoraggio alla previsione?

C’è una scala di ambizione crescente, e ogni gradino richiede più dati del precedente.

Soglie e trend: avvisare quando l’RMS supera un limite o un trend attraversa una linea. Nessun apprendimento, facile da spiegare, soggetto a falsi allarmi quando le condizioni cambiano.

Rilevamento delle anomalie: imparare la distribuzione delle feature durante un periodo di riferimento e misurare quanto una nuova finestra se ne discosta, con strumenti che vanno dalle misure di distanza statistica agli autoencoder. Non servono dati di guasto, ed è per questo che di solito è il primo modello; inoltre è abbastanza piccolo da girare come TinyML spiegato sul nodo sensore. Il suo punto debole è che dice “diverso”, non “perché”.

Classificazione dei guasti: addestrare un modello a dare un nome al guasto a partire da esempi. Produce diagnosi su cui si può agire, ma richiede dati di guasto etichettati, che sono rari, costosi e spesso presi in prestito da banchi di prova che non corrispondono alle condizioni sul campo.

Stima della vita utile residua: prevedere il tempo che manca al guasto a partire dalla traiettoria di degrado. È l’obiettivo che tutti dichiarano e il gradino che meno installazioni raggiungono, perché richiede più storie complete fino al guasto per ogni classe di asset.

La maggior parte dei programmi di successo vive sul secondo gradino, con un analista che conferma le anomalie e aggiunge etichette nel tempo, così che il terzo gradino diventi possibile.

Dove dovrebbe girare il calcolo?

Il nodo sensore campiona ed estrae le feature, e può eseguire lui stesso il rilevamento delle anomalie, in modo da trasmettere un punteggio invece delle forme d’onda grezze. È questo che permette a un sensore wireless di durare anni con una batteria.

Un gateway aggrega molti nodi, esegue modelli più pesanti e inoltra al cloud. È anche il punto in cui i dati OPC UA o Modbus provenienti dal controller della macchina, come velocità e carico, vengono uniti ai dati dei sensori per normalizzare rispetto alle condizioni operative.

Il cloud conserva lo storico in un database di serie temporali, riaddestra i modelli, confronta gli asset tra siti diversi e ospita la dashboard usata da chi pianifica. La guida all’edge AI tratta i compromessi di questa suddivisione.

Quali sono le insidie, e quando conviene?

Il montaggio del sensore conta più del modello. Un fissaggio magnetico allentato filtra via le alte frequenze in cui vivono i guasti precoci.

Le condizioni operative cambiano. Una pompa a velocità o carico diversi produce uno spettro diverso, e un modello che non conosce la velocità scambierà quel cambiamento per un guasto. Acquisisci il contesto dal controller o dal segnale di corrente.

I guasti sono rari, quindi la valutazione è difficile. Un modello che non avvisa mai ottiene un’accuratezza quasi perfetta. Giudica invece sui guasti rilevati e sui falsi allarmi per asset al mese.

Gli avvisi su cui nessuno agisce sono peggio di nessun avviso: abituano l’organizzazione a ignorare il sistema. Parti con pochi asset, metti a punto il sistema finché il team di manutenzione non si fida, poi scala.

Con queste cautele, la manutenzione predittiva conviene quando il fermo è costoso, quando i guasti sono graduali anziché improvvisi, quando gli asset sono troppi per un giro di ispezione manuale e quando l’organizzazione della manutenzione sa agire su un avviso che arriva con giorni o settimane di anticipo. Non conviene su apparecchiature economiche, ridondanti o fail-safe, né sulle modalità di guasto che non danno preavviso. La guida all’Industrial IoT la colloca nel contesto più ampio dell’impianto connesso.

Per continuare

• TinyML spiegato tratta l’esecuzione del rilevamento delle anomalie direttamente sul nodo sensore.
• Edge AI spiegata tratta il livello gateway e la decisione su dove collocare il calcolo.
• Agenti AI nel reparto produttivo mostra come gli avvisi di manutenzione possono alimentare un agente che prepara le bozze degli ordini di lavoro.
• Industrial IoT: una guida pratica è il contesto più ampio.

Argomenti: manutenzione predittiva, monitoraggio delle condizioni, vibrazione, rilevamento delle anomalie