Dal condition monitoring alla manutenzione predittiva

Il monitoraggio delle temperature, dei consumi energetici, dei livelli, delle pressioni idrauliche e pneumatiche, delle vibrazioni ecc. genera dati fondamentali sullo stato dei sistemi e sull'ambiente che li circonda. La conseguente raccolta, esposizione ed elaborazione di questi dati fornisce informazioni fondamentali alla pianificazione efficace delle azione correttive.

Dispositivi Intelligenti

Il primo passo per monitorare le condizioni è la generazione del dato.Le ultime generazioni di sensori, alimentatori e attuatori grazie allo standard IO-Link forniscono dati strutturati, eterogenei, affidabili, pre-elaborati e facilmente fruibili. Non solo sulle grandezze primarie per cui il dispositivo è stato progettato ma anche informazioni addizionali sulle proprie condizioni di lavoro.

Inoltre IO-Link semplifica l'interfacciamento e lo sviluppo delle soluzioni grazie al suo approccio basato su cavi standard e al supporto dei file IODD che ne descrivono dati e parametri.

Integrazione JSON over REST API

JSON (Java Script Object Notation) è tra i più affermati formati di scambio dati nel mondo IT. JSON consente la connessione senza soluzione di continuità anche nel mondo OT dal livello IO-Link a sistemi MES/ERP, servizi basati su cloud e applicazioni "al di sopra" dell'automazione.

IO-Link Community, ha definito un formato di scambio basato su JSON, quindi una struttura semantica standardizzata ed uniforme dal livello di campo IO-Link al mondo dell'IT. La specifica comprende sia la definizione dell' application programming interface (API) come architettura REST che su MQTT.

Questo formato di scambio standardizzato offre nuove opportunità come l'interoperabilità tra diversi produttori e l'accesso globale ai valori di misurazione e ad altri dati di monitoraggio. Ciò consente anche di implementare soluzioni basate su cloud con componenti indipendenti dal produttore.

Nuovo approccio al condition monitoring

Grazie alla versatilità di IO-Link descritta in precedenza possiamo ottenere una soluzione olistica e componibile per il condition monitoring per sistemi macchine e processi.

1. il Toolkit
Il toolkit consiste nell'unità di base (EDGE Gateway) con software integrato che automaticamente riconosce i sensori collegati (grazie ai file IODD), valuta le grandezze misurate e le raccoglie nel database locale. Sulla base dei dati raccolti in real time viene creata automaticamente la dashboard per la visualizzazione dell'andamento e l'impostazione delle soglie di alert.

2. Devices IO-Link
Fino a quattro sensori/hub IO-Link possono essere collegati sull'unità di base - ulteriori 8 sensori vengono collegati tramite un master Ethernet IP a bordo macchina. Indipendentemente dal produttore, formattazione, unità di misura tutte le grandezze che il sensore restituisce nei dati di processo vengono mappate, formattate, e registrate ciclicamente.

Controllo sollecitazioni di un sistema di ventilazione per l'estrazione di fumi tossici

Lo scopo di questa sorveglianza è di effettuare un monitoraggio continuo dell' equilibratura e della temperatura dei sistemi di ventilazione. Lo squilibrio delle parti rotanti o il surriscaldamento dei motori, sono segnali precursori di una possibile avaria dei sistemi di ventilazione e di conseguenza potrebbero portare all'interruzione dell'estrazione fumi.

Dal condition monitoring alla manutenzione predittiva

Spesso la quantità di dati di condition monitoring provenienti da diverse tecnologie di rilevamento con formati e scalature differenti rendono molto difficile e costosa l'interpretazione delle anomalie. I data scientist sono costosi e i software di analisi esterni sono molto complessi da parametrizzare in relazione all'esigenza specifica.

In questo caso, gli algoritmi di anomaly detection possono offrire un metodo semplice e veloce per rilevare variazioni e problemi della macchina in una fase precoce e soprattutto senza attingere alla conoscenza di esperti. Utilizzando l'apprendimento automatico, lo stato normale e sano di una macchina viene addestrato in un modello.

Questo modello eterogeneo viene <> continuamente con i dati dei sensori in runtime e vengono segnalate le deviazioni dallo stato di <> precedentemente addestrato.