L’intelligenza artificiale (IA) sta cambiando il modo in cui le aziende concepiscono l’affidabilità. Quasi tutti i sistemi di vibrazione wireless promettono “analisi basate sull’IA” che portano a “decisioni di manutenzione intelligenti”. Ma in pratica, l’IA è solo uno strumento. I risultati dell’IA sono tanto buoni quanto i dati che riceve. Se un sistema non cattura i segnali giusti, nessuna analisi potrà colmare quella lacuna. Di conseguenza, il team di manutenzione potrebbe finire per reagire ai guasti invece di prevenirli.
Il vero elemento distintivo nella manutenzione predittiva (PdM) non è l’IA, ma la combinazione intelligente di dati di qualità e competenze tecniche — supportata dall’IA.
Quando i sensori “intelligenti” sono ciechi
Ogni sistema afferma di avere un sensore intelligente e ogni sensore cattura informazioni utili. Anche il sistema più basilare può rilevare se l’albero è sbilanciato, l’accoppiamento disallineato o la struttura allentata. Si tratta di guasti importanti da conoscere — ma anche i più facili da rilevare.
Questo rende facile eseguire un test pilota apparentemente riuscito, ma inconcludente. Durante una prova iniziale, qualsiasi sistema individuerà numerosi problemi evidenti in tutta la fabbrica. Sembra una prova di successo, ma il vero test arriva dopo. Molti sensori sono ciechi ai segnali generati da un difetto progressivo nei cuscinetti o negli ingranaggi degli asset critici. Eppure, sono proprio queste le modalità di guasto che hanno più probabilità di fermare la produzione — i cosiddetti “killer di processo”.
Segnali nascosti dal killer di processo
Tutte le macchine generano segnali di vibrazione su un ampio spettro di frequenze, da quelle basse a quelle molto alte. La domanda è: quali frequenze contano davvero?
Le vibrazioni a bassa frequenza sono legate al movimento della macchina — la rotazione dell’albero e l’allineamento dei suoi componenti. Al contrario, le vibrazioni ad alta frequenza sono causate da impatti — ad esempio, i colpi brevi e netti generati quando un elemento volvente passa sopra un difetto nella pista esterna.
Per rilevare questi impatti, è necessario misurare le vibrazioni in un intervallo ad alta frequenza e con una corrispondente alta frequenza di campionamento. Più alta è la frequenza di campionamento, maggiore è la qualità dei dati. Tuttavia, con un campionamento standard, questi impatti acuti possono risultare come movimento fluido — anche se un danno meccanico serio è in fase di avanzamento.
Molti sensori wireless, quindi, non sono nemmeno in grado di catturare l’intero spettro delle vibrazioni. Utilizzare un intervallo di frequenza (e di campionamento) più basso può rendere il sistema cieco ai segnali ad alta frequenza provenienti da un cuscinetto danneggiato e lasciare l’impianto esposto a un’interruzione non pianificata. Va inoltre notato che la stragrande maggioranza dei sistemi disponibili utilizza un’elaborazione del segnale di terze parti, che ne limita ulteriormente la capacità di rilevamento. Il risultato è una visione incompleta dello stato della macchina e una capacità fortemente ridotta di rilevare guasti a cuscinetti, ingranaggi e altri killer di processo.
Salire lungo la curva di guasto
Gli ingegneri dell’affidabilità fanno spesso riferimento alla curva P-F, cioè il tempo che intercorre tra l’insorgere di una modalità di guasto (P = guasto potenziale) e la successiva perdita di funzionalità (F = guasto funzionale). L’obiettivo è rilevare i problemi il più presto possibile lungo questa curva, per avere più tempo per pianificare e prevenire fermi imprevisti.
I sistemi che non riescono a rilevare gli impatti ad alta frequenza rischiano di non individuare affatto questi difetti. Oppure, se li rilevano, lo fanno troppo tardi nella curva di guasto, con poco o nessun tempo per programmare la manutenzione prima che l’asset fallisca.
Elaborare il segnale grezzo di vibrazione con un campionamento ad alta frequenza cambia tutto. Le informazioni risultanti forniscono non solo la natura del problema, ma anche la gravità del difetto, consentendo di capire quanto è avanzato. Questa è la differenza tra reagire ai guasti e prevederli davvero.
Funzionalità e prezzo non sempre vanno di pari passo
With a wireless vibration device, it’s tempting to assume that expensive means better. However, the effectiveness of a wireless vibration sensor has little to do with Con un dispositivo di vibrazione wireless, è facile pensare che un prezzo più alto significhi prestazioni migliori. Tuttavia, l’efficacia di un sensore di vibrazione wireless ha poco a che fare con il prezzo. Ciò che ne determina il successo è il design intelligente — come il sensore cattura, elabora e trasmette i dati.
Un sistema ben progettato può fornire dati di alta qualità senza far lievitare il prezzo. Un sistema mal progettato può essere costoso e comunque cieco a questi difetti critici. La differenza sta nelle scelte ingegneristiche:
- Può campionare abbastanza velocemente da rilevare gli impatti ad alta frequenza?
- Misura accuratamente l’ampiezza delle vibrazioni?
- Il segnale analogico grezzo è accessibile all’algoritmo di IA?
Senza queste basi, anche il miglior modello di IA lavora con informazioni parziali. Il risultato potrebbe sembrare sofisticato, ma il diagnosi si basa su dati incompleti.
Oltre l’IA: qualità dei dati, competenza tecnica e diagnostica
Le prestazioni di un programma PdM non dipendono solo dall’algoritmo di IA. Derivano dalla collaborazione tra dati di qualità, conoscenze specialistiche e una buona capacità diagnostica. Poiché i segnali di vibrazione sono governati dalla fisica, il principale vantaggio dell’IA è ampliare la copertura. Non cambia però la natura dell’analisi delle vibrazioni. Il concetto di “apprendimento automatico” è quasi fuori luogo in questo contesto, poiché i principi diagnostici dell’analisi delle vibrazioni sono noti da decenni. In effetti, se un sistema afferma di “apprendere” in tempo reale, significa probabilmente che non si basa su un’analisi consolidata dei modi di guasto.
Il vero differenziatore tra i risultati dei sistemi di affidabilità sta nella loro progettazione iniziale: sono stati progettati da esperti che conoscono a fondo le macchine e l’analisi meccanica? Un sistema ben concepito raccoglie dati di alta qualità con un’elevata frequenza di campionamento (tipicamente superiore a 100 kHz) per fornire segnali precoci e accurati di stress meccanico, oltre a indicare la gravità del difetto. La competenza tecnica assicura che questi segnali vengano interpretati correttamente. Questo passaggio è essenziale per trasformare la manutenzione da reattiva a predittiva.
L’IA resta uno strumento potente, ma non può sostituire dati di qualità ed esperienza. La capacità di estrarre informazioni utili dal segnale grezzo è ciò che rende possibile la vera predizione.
Infine, qualsiasi tipo di PdM ha valore solo se esiste un processo per agire sulle informazioni estratte dal segnale di vibrazione. Questo è un aspetto cruciale da chiarire prima di implementare qualsiasi sistema. Quando si valuta una soluzione, è utile porsi queste domande:
- È prevista un’opzione per un’analisi avanzata?
- Posso far intervenire un analista esperto in sede per validare una diagnosi dell’IA?
- Quali altre tecnologie predittive possono essere combinate con le vibrazioni per confermare la necessità di un fermo per manutenzione?
Clicca qui per scoprire come tradurre questi principi in pratica e portare il tuo programma PdM al livello successivo.