Condition Monitoring e Predictive Maintenance sono spesso considerati sinonimi, ma sono in realtà due concetti molto diversi. La Predictive Maintenance rappresenta la predizione di eventi o della probabilità di eventi e consente di determinare, per esempio, quando la probabilità di un guasto di un riduttore nelle prossime 50 ore di funzionamento supera il 90%. Questo tipo di predizione può essere utilizzato 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. Questo richiede una comprensione profonda della macchina e dei processi per generare informazioni significative a partire dai dati grezzi. Analisi basate sul Machine Learning (ML) e sull’intelligenza artificiale possono consentire di identificare anomalie con maggiore rapidità.
Il valore aggiunto del Condition Monitoring non dipende dall’aggiunta di ulteriori componenti: si accelera fortemente il ritorno sull’investimento per gli OEM. In particolare, non serve aggiungere sensori: l’approccio di Lenze consente di estrarre informazioni addizionali dalle sorgenti che sono già disponibili. Lenze 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.
Lenze ha realizzato un modulo-macchina basato sulla gestione di un robot a 2 assi per dimostrare due possibili approcci al Condition Monitoring. Il primo approccio è basato sulla realizzazione di un modello descrittivo che consente di derivare in modo matematico i valori di grandezze significative della macchina (correnti, velocità…) 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 è basato sull’analisi della base di dati. Un algoritmo apprende a partire da una base dati storica il comportamento del sistema e la correlazione di vari parametri, quali 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 scostamenti.
Il modulo-macchina realizzato da Lenze consente di simulare fenomeni quali 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.
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 normalmente 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 richiedono invece l’utilizzo di soluzioni cloud.
Il portafoglio di soluzioni di Lenze lascia agli OEM piena libertà di scelta. È possibile implementare modelli descrittivi per il Condition Monitoring su un’ampia 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 degli OEM una piattaforma pronta all’uso che offre non solo Condition Monitoring, ma anche manutenzione da remoto e una pratica soluzione di Asset Management.
Una soluzione efficiente di Condition Monitoring sfrutta appieno l’interpretazione di informazioni esistenti, senza richiedere sensori addizionali: i drive stessi funzionano come sensori. Grazie al suo ampio portafoglio di soluzioni di automazione – che include hardware, software e servizi cloud – e all’esperienza sul campo dei suoi ingegneri, Lenze è in grado di offrire un supporto completo per l’interpretazione dei dati. Le soluzioni Lenze intuitive e pronte all’uso mettono gli OEM in condizione di diventare data scientist per le macchine che realizzano.