Quando il drive funziona come un sensore

Lo smart condition monitoring permette di monitorare in tempo reale le condizioni di funzionamento della macchina, senza dover aggiungere sensori: sono i drive stessi a funzionare come sensori. Lenze ci illustra il suo approccio e le sue soluzioni

Per i costruttori di macchine, applicazioni come la manutenzione predittiva e la modellizzazione basate sull’intelligenza artificiale (AI) sono particolarmente interessanti. Molti però non hanno le idee chiare su quali eventi possono essere predetti. Il loro principale interesse infatti è monitorare le condizioni di lavoro di macchine e processi. Attraverso la tecnologia di Lenze è possibile realizzare un’applicazione di condition monitoring che offre ampie informazioni sullo stato di salute di macchine e impianti, senza il bisogno di aggiungere ulteriori sensori.

Qual è la differenza rispetto alla manutenzione predittiva

Condition monitoring e manutenzione predittiva sono spesso considerati sinonimi, ma in realtà sono due concetti molto diversi. La manutenzione predittiva rappresenta la predizione di eventi o della probabilità che si verifichino. Ad esempio, permette di determinare quando la probabilità di un guasto di un riduttore nelle successive 50 ore di funzionamento supera il 90%. Questo tipo di predizione può essere utile per pianificare la sostituzione del componente prima che la macchina o la linea si fermino a causa della sua rottura. Il condition monitoring invece opera in una fase precedente, fornendo un’accurata descrizione dello stato di funzionamento a partire dai dati disponibili. Per generare informazioni significative a partire dai dati grezzi, è quindi necessaria una comprensione profonda della macchina e dei processi. Analisi basate sul machine learning e sull’intelligenza artificiale possono consentire di identificare anomalie con maggiore rapidità.

Non servono componenti aggiuntivi

Il fatto che il valore aggiunto del condition monitoring non dipenda dall’impiego di ulteriori componenti aumenta fortemente il ritorno sull’investimento per gli OEM. In particolare, non servono altri sensori. L’approccio di Lenze infatti permette di estrarre informazioni addizionali dalle sorgenti che sono già disponibili. L’azienda mette a disposizione algoritmi già testati per diverse applicazioni, e aiuta gli ingegneri a trasformare la loro conoscenza del processo e delle macchine in un modello di condition monitoring in grado di migliorare disponibilità ed efficienza dell’impianto.

Due possibili approcci differenti nell’esempio applicativo di un robot

Lenze ha realizzato un modulo-macchina basato sulla gestione di un robot a due assi per dimostrare due possibili approcci al condition monitoring.
Il primo approccio si basa sulla realizzazione di un modello descrittivo che consente di derivare in modo matematico i valori di grandezze significative della macchina (correnti, velocità e via dicendo) e confrontarli con quelli effettivamente misurati in campo. Lo scostamento oltre una certa tolleranza dei valori misurati rispetto a quelli calcolati può indicare un malfunzionamento.
Il secondo approccio invece si fonda sull’analisi delle basi di dati. Un algoritmo apprende a partire da una base dati storica il comportamento del sistema e la correlazione di vari parametri come velocità, accelerazione, coppia, posizione e assorbimento di corrente. I valori misurati sul campo sono quindi confrontati con quelli derivati dall’algoritmo di apprendimento, in modo da evidenziarne gli scostamenti. Il modulo-macchina realizzato da Lenze consente di simulare fenomeni come l’aumento di attrito sulla puleggia o il logoramento della cinghia di trasmissione. Queste anomalie possono essere individuate a partire dai dati di corrente e coppia, sia in termini di scostamenti assoluti, sia tramite l’analisi in frequenza.
Il condition monitoring può generare allarmi a partire da entrambe le condizioni, e mostrare le cause su un cruscotto riassuntivo di informazioni.

L’utilizzo di soluzioni cloud

I due approcci al condition monitoring differiscono non solo in termini di approccio alla modellizzazione, ma anche dal punto di vista di come sono elaborati i dati. La valutazione basata su modelli descrittivi di prassi viene eseguita direttamente sul PLC, in quanto non è onerosa dal punto di vista computazionale. L’utilizzo di machine learning e intelligenza artificiale per la realizzazione di modelli a partire da basi di dati richiede invece l’impiego di soluzioni cloud. Il portafoglio di soluzioni di Lenze lascia agli OEM ampia libertà di scelta. È possibile implementare modelli descrittivi per il condition monitoring su una vasta gamma di controllori, inclusi i potenti c750, dotati di risorse di calcolo dedicate all’analisi dati. Oppure si possono trasferire i dati da analizzare in cloud attraverso il gateway x500. L’x500, integrato nella x4 platform di Lenze, mette a disposizione una piattaforma pronta all’uso che offre oltre al condition monitoring anche manutenzione da remoto e una pratica soluzione di asset management.