Sensori e dispositivi IoT
I sensori sono la spina dorsale della manutenzione predittiva. Raccolgono dati in tempo reale su vari parametri come temperatura, vibrazioni, pressione, umidità, tempi di funzionamento e distanze. I dispositivi IoT facilitano la trasmissione continua di questi dati ai sistemi di analisi centrali.
Tipo di sensori:
Sensori di vibrazione: utilizzati per monitorare le vibrazioni di motori, pompe e altre apparecchiature rotanti. Le variazioni nei parametri di vibrazione spesso indicano problemi meccanici come disallineamento o squilibrio.
Sensori termici: misurano le variazioni di temperatura nei macchinari. Il surriscaldamento spesso indica guasti ai cuscinetti o problemi di lubrificazione.
Sensori acustici: catturano le onde sonore generate dai macchinari. I cambiamenti nei parametri acustici possono indicare guasti come crepe o perdite.
Sensori ottici: monitorano i modelli di luce e sono utilizzati per rilevare difetti di superficie, problemi di allineamento e altre anomalie visive.
Raccolta e archiviazione dei dati
La grande quantità di dati raccolti dai sensori deve essere archiviata in un formato strutturato. A questo scopo vengono spesso utilizzate soluzioni di archiviazione cloud, che offrono scalabilità e facilità di accesso.
SSI SCHÄFER utilizza dispositivi edge per accedere ai dati in tempo reale a livello di controllo e trasferirli al sistema di gestione della manutenzione computerizzata, il WAMAS Maintenance Center.
Arricchimento dei dati:
Preelaborazione: i dati grezzi raccolti dai sensori vengono arricchiti attraverso fasi di pre-elaborazione come il filtraggio, la normalizzazione e la trasformazione. Ciò rende i dati più adatti all'analisi e ai modelli di apprendimento automatico.
Elaborazione in tempo reale: i sistemi in grado di elaborare i dati in tempo reale forniscono approfondimenti immediati, consentendo interventi tempestivi.
Analisi avanzata e apprendimento automatico
I dati raccolti vengono analizzati utilizzando algoritmi avanzati e modelli di apprendimento automatico. Queste tecnologie sono in grado di identificare schemi e correlazioni che indicano potenziali guasti alle apparecchiature.
Presso SSI SCHÄFER, i dati globali della macchina vengono utilizzati in aggiunta allo storico della manutenzione individuale, disponibile tramite il Centro di manutenzione WAMAS. Su questa base, è possibile rilevare comportamenti devianti sotto forma di anomalie, ad esempio.
Ruolo degli algoritmi:
Regressione lineare: utilizzata per prevedere valori numerici basati su dati storici.
Alberi decisionali: impiegati per compiti di classificazione e per l'identificazione di modelli di guasto.
Reti neurali: efficaci per compiti di apprendimento profondo, particolarmente utili per riconoscere modelli complessi e anomalie.
Rilevamento di anomalie: algoritmi progettati specificamente per identificare deviazioni dai normali parametri operativi, segnalando potenziali problemi.
Modelli di machine learning:
Apprendimento supervisionato: si tratta di addestrare un modello su dati storici etichettati per prevedere i risultati futuri.
Apprendimento per rafforzamenti: i modelli migliorano le loro previsioni attraverso tentativi ed errori, imparando dalle loro decisioni passate.
Apprendimento non supervisionato: identifica modelli nascosti in dati non etichettati, utili per il rilevamento di anomalie e il clustering.
Interfaccia utente e cruscotti
Le informazioni generate dall'analisi dei dati sono presentate su dashboard di facile utilizzo. Queste interfacce consentono ai team di manutenzione di monitorare la salute delle apparecchiature e di ricevere avvisi su potenziali problemi in tempo reale.
Strumenti di visualizzazione: i dashboard utilizzano vari strumenti di visualizzazione come grafici, mappe di calore e linee di tendenza per presentare i dati in modo intuitivo.
Avvisi in tempo reale: le notifiche immediate consentono di reagire rapidamente a potenziali problemi, riducendo al minimo i tempi di inattività.
