La manutenzione predittiva basata sull’IoT consente di passare da una manutenzione reattiva a una manutenzione guidata dallo stato effettivo delle apparecchiature. Anziché attendere il guasto o sostituire i componenti secondo un calendario prestabilito, i sensori di vibrazione, temperatura, corrente, pressione e variabili di processo rilevano le derive progressive. Eziwan raccoglie questi dati sul campo, li contestualizza, avvisa i team di manutenzione e alimenta il sistema GMAO per attivare gli interventi giusti al momento giusto.
Il problema
Il settore industriale si trova spesso a dover scegliere tra due approcci imperfetti. La manutenzione correttiva aspetta che si verifichi un guasto prima di intervenire. Ciò può causare fermi macchina non pianificati, interventi di emergenza, perdite di produzione, acquisti urgenti di ricambi e una forte pressione sui team sul campo. La manutenzione preventiva sistematica migliora la situazione, ma si basa su intervalli fissi che non sempre rispecchiano lo stato reale della macchina.
La manutenzione condizionale, basata sullo stato misurato delle apparecchiature, offre una soluzione più solida. Richiede tuttavia dati affidabili, raccolti regolarmente, interpretati correttamente e integrati nei processi di manutenzione esistenti.
Le difficoltà sono concrete.
-
I fermi macchina non programmati sono costosi, ma il loro impatto dipende in larga misura dal settore, dal tipo di linea, dal tasso di carico, dal costo dei materiali e dalla durata dell’indisponibilità.
-
La manutenzione preventiva sistematica può comportare la sostituzione di componenti ancora funzionanti o, al contrario, intervenire troppo tardi su un’apparecchiatura che si è deteriorata rapidamente.
-
I team non hanno una visione chiara dello stato effettivo delle macchine tra un giro di ispezione e l’altro o tra due visite programmate.
-
I segnali deboli, quali vibrazioni eccessive, surriscaldamento, squilibrio di corrente, cavitazione o variazione di pressione, non vengono sempre rilevati senza una strumentazione adeguata.
-
I tecnici vengono mobilitati con urgenza per guasti che, in alcuni casi, presentavano segnali premonitori già da diversi giorni o settimane.
-
Il sistema di gestione della manutenzione (GMAO) viene spesso aggiornato solo dopo l’intervento, mentre dovrebbe ricevere anche dati dal campo per stabilire le priorità e pianificare gli interventi.
-
Le scorte di pezzi di ricambio sono state dimensionate con cautela, data la mancanza di visibilità sullo stato effettivo delle attrezzature critiche.
-
I dati di processo, quali il carico, la portata, la pressione o la temperatura ambiente, sono raramente correlati ai segnali di degrado.
-
I sistemi di monitoraggio di base a volte generano un numero eccessivo di avvisi, il che induce gli operatori a ignorarli.
-
La competenza in materia di vibrazioni è preziosa, ma è difficile da estendere all’intero parco macchine senza strumenti di supporto decisionale e senza una capitalizzazione interna.
La sfida non consiste quindi solo nell’installare dei sensori. È necessario creare una catena completa: misurazione, connettività, analisi, allerta, convalida, ordine di lavoro, feedback e miglioramento continuo.
Correttiva, preventiva, condizionale e predittiva
Questi termini vengono spesso confusi. Per strutturare un approccio alla manutenzione, è necessario distinguere i livelli di maturità.
| Tipo di manutenzione | Fattore scatenante | Vantaggio | Limite |
|---|---|---|---|
| Correttiva | Guasto rilevato | Facile da comprendere | Fermo imprevisto, emergenza, costi elevati |
| Preventiva sistematica | Calendario o ore di funzionamento | Pianificabile | Può comportare una sostituzione troppo precoce o troppo tardiva |
| Condizionale | Stato misurato dell’apparecchiatura | Interventi più mirati | Richiede sensori e soglie affidabili |
| Predittiva | Modello di deriva e orizzonte di guasto probabile | Anticipazione più precisa | Dati storici, qualità dei dati e convalida |
| Prescrittiva | Raccomandazione di azione ottimizzata | Supporto decisionale avanzato | Richiede maturità del processo e integrazione CMMS |
In molti stabilimenti, il punto di partenza migliore non è un modello predittivo complesso, bensì una manutenzione condizionale solida, con misurazioni affidabili, andamenti comprensibili e avvisi utilizzabili.
Il nostro approccio
Eziwan contribuisce alla creazione di una catena di manutenzione predittiva basata sull’IoT, collegando le apparecchiature critiche a una piattaforma di monitoraggio e analisi. I sensori possono misurare vibrazioni, temperatura, corrente, pressione o altre grandezze rilevanti a seconda delle macchine. I dati vengono raccolti da un gateway industriale, trasmessi in modo sicuro, analizzati nel tempo e trasformati in avvisi o report utilizzabili.
Le attrezzature tipicamente interessate sono:
-
Motori elettrici.
-
Pompe centrifughe.
-
Compressori.
-
Ventilatori industriali.
-
Riduttori.
-
Trasportatori.
-
Trituratori.
-
Impianti di refrigerazione.
-
Macchine rotanti critiche.
-
Impianti isolati o di difficile accesso.
L’obiettivo è classificare le attrezzature in base al livello di rischio, individuare eventuali anomalie, fornire spiegazioni sugli avvisi e inserire raccomandazioni operative nel sistema di gestione della manutenzione (GMAO).
Architettura di una manutenzione predittiva basata sull’IoT
Un’architettura efficiente combina sensori, acquisizione locale, connettività, piattaforma di analisi, avvisi e integrazione con il sistema di gestione della manutenzione (GMAO). Ogni elemento deve essere affidabile, altrimenti l’intero sistema diventa difficile da gestire.
Il buffer locale è importante nei luoghi in cui la connessione può essere instabile. Evita la perdita di dati critici durante un’interruzione temporanea.
Dati da raccogliere in base alle attrezzature
Non tutte le macchine richiedono gli stessi sensori. Una buona strategia parte dall’analisi dei possibili modi di guasto.
| Apparecchiatura | Misure utili | Difetti rilevabili |
|---|---|---|
| Motore elettrico | Corrente, temperatura, vibrazioni | Squilibrio, sovraccarico, guasto ai cuscinetti |
| Pompa centrifuga | Vibrazioni, pressione, portata, temperatura | Cavitazione, disallineamento, cuscinetti, intasamento |
| Ventilatore | Vibrazioni, corrente, velocità | Squilibrio, incrostazioni, disallineamento |
| Riduttore | Vibrazioni, temperatura del carter, olio | Usura degli ingranaggi, lubrificazione, cuscinetti |
| Compressore | Vibrazioni, temperatura, pressione, corrente | Perdite, surriscaldamento, guasti meccanici |
| Trasportatore | Corrente, vibrazioni, velocità | Attrito, sovraccarico, disallineamento |
La rilevanza deriva dalla combinazione di fattori. Un aumento delle vibrazioni può essere normale se il carico di processo è aumentato. Diventa invece sospetto se aumenta a carico costante, con un aumento della temperatura dei cuscinetti e una corrente del motore instabile.
Monitoraggio delle vibrazioni su 3 assi
La vibrazione è uno dei segnali più utili per le macchine rotanti. Un accelerometro a 3 assi misura le vibrazioni in diverse direzioni, il che aiuta a distinguere tra squilibri, disallineamenti, gioco meccanico, difetti dei cuscinetti o problemi di fissaggio.
Gli indicatori più comuni includono:
-
Livello RMS delle vibrazioni.
-
Picco di vibrazione.
-
Fattore di picco.
-
Andamento per asse.
-
Confronto con la velocità di rotazione.
-
Andamento su più giorni o settimane.
-
Superamento della soglia in base alla criticità della macchina.
Il monitoraggio delle vibrazioni deve essere interpretato nel suo contesto. Una soglia universale non è sempre affidabile: una pompa di piccole dimensioni, un grande ventilatore e un trituratore non presentano gli stessi comportamenti meccanici.
Analisi spettrale FFT
La FFT, ovvero la trasformata di Fourier veloce, consente di passare dal segnale temporale allo spettro di frequenza. Aiuta a identificare le frequenze caratteristiche di un difetto.
Esempi di indici analizzati:
-
Frequenza di rotazione.
-
Armoniche dovute al disallineamento.
-
Frequenze di difetto del cuscinetto, quali BPFI, BPFO, BSF o FTF, quando la geometria del cuscinetto è nota.
-
Firme sbilanciate.
-
Rumore a banda larga.
-
Comparsa di strisce laterali.
La FFT è potente, ma richiede dati di buona qualità: frequenza di campionamento adeguata, sensore posizionato correttamente, velocità di rotazione nota e una cronologia sufficientemente ampia.
L’analisi spettrale deve essere accompagnata da una convalida di business. Un allarme non è una conclusione automatica: indica una probabilità di difetto da confermare in base al contesto.
Analisi della firma di corrente del motore
L’analisi della firma di corrente del motore, spesso denominata MCSA, sfrutta la corrente elettrica per rilevare determinati guasti meccanici o elettrici. Può rivelarsi utile quando è difficile installare sensori di vibrazione o quando si desidera integrare la diagnosi.
Può aiutare a identificare:
-
Squilibrio alimentare.
-
Sovraccarico.
-
Variazione anomala del carico.
-
Guasto al rotore, a seconda dei casi.
-
Anomalia meccanica riscontrabile nei consumi.
-
Variazione di rendimento o aumento dell’attrito.
Il vantaggio è quello di basarsi su una misurazione elettrica che a volte è più semplice da installare. Il limite è che l’interpretazione dipende fortemente dal tipo di motore, dal carico, dall’inverter e dal regime di funzionamento.
Temperatura, pressione e contesto di processo
La temperatura da sola non è sempre sufficiente a prevedere un guasto, ma diventa molto utile se combinata con altri segnali. Un aumento della temperatura dei cuscinetti, della scatola del riduttore o dell’avvolgimento del motore può indicare un problema di lubrificazione, un sovraccarico, un attrito o una ventilazione insufficiente.
Le variabili di processo consentono di ridurre i falsi positivi.
| Segnale | Interpretazione grezza | Contesto da verificare |
|---|---|---|
| Aumento delle vibrazioni | Possibile guasto meccanico | Carico, velocità, portata |
| Aumento della temperatura dei cuscinetti | Attrito o lubrificazione | Temperatura ambiente, durata di funzionamento |
| Corrente del motore elevata | Possibile sovraccarico | Setpoint, prodotto, pressione |
| Pressione instabile | Possibile problema idraulico | Valvola, portata, filtro, cavitazione |
| Portata ridotta | Possibile intasamento o usura | Setpoint di processo, stato della linea |
La correlazione multisensore è fondamentale per distinguere un vero e proprio deterioramento da una variazione normale legata alle condizioni operative.
Valutazione dello stato di salute delle attrezzature
Un punteggio di integrità semplifica la definizione delle priorità. Non sostituisce la competenza in materia di manutenzione, ma aiuta a classificare le apparecchiature in base al loro livello di rischio.
Un punteggio può combinare diverse dimensioni:
-
Deriva da vibrazione.
-
Temperatura anomala.
-
Instabilità della corrente.
-
Cronologia degli avvisi.
-
Livello di criticità delle apparecchiature.
-
Tempo trascorso dall’ultimo intervento.
-
Condizioni di funzionamento.
-
Conferma da parte di più sensori.
Esempio di logica di scoring:
score_sante:
base: 100
penalites:
vibration_hausse_7j: 15
temperature_roulement_haute: 20
courant_instable: 10
alerte_recurrente: 15
equipement_critique: 10
niveaux:
vert: "80-100"
jaune: "60-79"
orange: "40-59"
rouge: "0-39"
Le soglie devono essere adattate allo stabilimento e convalidate con i team. Un punteggio mal calibrato genera sfiducia; un punteggio spiegato diventa uno strumento di pianificazione.
Integrazione bidirezionale del sistema di gestione della manutenzione (GMAO)
Il valore operativo emerge quando gli avvisi IoT attivano un processo di manutenzione, non solo una notifica. L’integrazione con il sistema di gestione della manutenzione (GMAO) collega il rilevamento sul campo all’ordine di lavoro.
Un’integrazione utile può riguardare:
-
Creazione automatica di una richiesta di intervento.
-
Integrazione dell’allarme con il sistema GMAO.
-
Priorità in base alla criticità e al punteggio di salute.
-
Le curve di tendenza sono allegate.
-
Assegnazione a un team o a un contratto.
-
Feedback dopo la chiusura.
-
Arricchimento del modello con la diagnosi effettiva.
L’analisi dei dati raccolti viene spesso trascurata. Eppure, permette di capire se un allarme fosse effettivamente dovuto a un difetto del cuscinetto, a un disallineamento, a un sovraccarico di processo o a un falso positivo.
Rapporti di manutenzione automatici
I report automatici forniscono un quadro aggiornato dello stato del parco macchine e facilitano le riunioni di pianificazione. Devono essere comprensibili per i reparti di manutenzione, produzione e direzione industriale.
Un rapporto utile include:
-
Classificazione delle attrezzature in base al livello di rischio.
-
Andamento degli indici di salute.
-
Avvisi generati ed elaborati.
-
Interventi pianificati o effettuati.
-
Attrezzature a deriva lenta.
-
Siti privi di dati o con sensori inattivi.
-
Raccomandazioni relative alle ispezioni.
-
Riepilogo dei benefici o delle riduzioni, laddove i dati ne giustifichino la presentazione.
È necessario evitare stime di risparmio prive di una base chiara. I benefici devono essere calcolati sulla base dei dati storici effettivi: interruzioni evitate, riduzione dei tempi di inattività, interventi raggruppati, diminuzione delle emergenze o maggiore disponibilità.
Rilevamento della cavitazione e dello squilibrio idraulico
Le pompe centrifughe sono le candidate ideali per la manutenzione condizionale. La cavitazione, lo squilibrio idraulico, l’intasamento, il ricircolo o l’usura della girante possono manifestarsi con vibrazioni, rumore, instabilità della pressione, variazioni di portata e surriscaldamento.
Il rilevamento deve incrociare più segnali.
-
Vibrazione ad alta frequenza.
-
Variazione di pressione.
-
Instabilità della portata.
-
Corrente del motore variabile.
-
Temperatura dei cuscinetti o del corpo pompa.
-
Condizioni di funzionamento al di fuori dell’intervallo nominale.
Un allarme di cavitazione deve essere interpretato alla luce dei dati di processo. Una pompa che funziona lontano dal proprio punto di rendimento ottimale può generare sintomi simili a quelli di un deterioramento meccanico.
Ridurre i falsi positivi
Un sistema che invia troppi avvisi finisce per diventare inutile. Gli operatori finiscono per ignorare le notifiche, anche quando si sta verificando un vero e proprio guasto. La riduzione dei falsi positivi è quindi un obiettivo fondamentale.
Buone pratiche:
-
Definire le soglie per tipo di attrezzatura.
-
Utilizzare soglie dinamiche in base al carico o alla velocità.
-
Mettere in correlazione i dati di più sensori prima di emettere un allarme critico.
-
Distinguere tra avviso informativo, avviso da tenere sotto controllo e avviso urgente.
-
Aggiungere un ritardo per evitare picchi isolati.
-
Confrontare i dati con la cronologia della macchina, non solo con una soglia generica.
-
Integrare il feedback dei tecnici.
-
Rivedere le soglie dopo le prime settimane di funzionamento.
Un avviso deve essere operativo: deve spiegare cosa non va, da quando, con quale livello di rischio e quale azione si raccomanda di intraprendere.
Implementazione graduale in un parco industriale
Un progetto di manutenzione predittiva basato sull’IoT deve partire dalle apparecchiature critiche, non dall’intero parco macchine. L’implementazione graduale consente di verificare il funzionamento dei sensori, la connettività, le soglie e l’integrazione con il sistema di gestione della manutenzione (GMAO).
| Fase | Obiettivo | Risultato atteso |
|---|---|---|
| Mappatura | Identificare le apparecchiature critiche | Elenco con ordine di priorità |
| Analisi delle modalità di guasto | Scegliere le misure utili | Sensori adeguati |
| Progetto pilota | Dotare di sensori alcune macchine | Convalida sul campo |
| Soglie iniziali | Rilevare anomalie semplici | Allarmi utilizzabili |
| Integrazione CMMS | Collegare allarmi e interventi | Processo operativo |
| Estensione | Implementazione per famiglia di apparecchiature | Parco monitorato |
| Ottimizzazione | Riduzione dei falsi positivi | Modello più affidabile |
Questo approccio evita di generare una grande quantità di dati senza una chiara finalità di manutenzione.
Sicurezza e connettività dei dati di manutenzione
I dati relativi alla manutenzione possono rivelare informazioni sensibili: disponibilità dei macchinari, ritmo di produzione, ricavi, carico di lavoro, incidenti ricorrenti o criticità delle attrezzature. La loro raccolta deve quindi avvenire in modo sicuro.
Buone pratiche:
-
Utilizzare un gateway industriale sicuro.
-
Calcolare i flussi tra il sito e la piattaforma.
-
Segmentare i sensori, i controllori e i sistemi IT.
-
Limitare i diritti di accesso ai dati.
-
Registrare gli accessi e le modifiche.
-
Prevedere il funzionamento in modalità locale in caso di interruzione della connessione di rete.
-
Integrare la supervisione con le politiche di sicurezza informatica OT.
Questa sicurezza è particolarmente importante quando la manutenzione prevede il coinvolgimento di fornitori di servizi, OEM o contratti di assistenza connessi.
Lista di controllo prima di avviare un progetto
| Controllo | Domanda | Priorità |
|---|---|---|
| Criticità | Sono state identificate le macchine prioritarie? | Alta |
| Modalità di guasto | Sono noti i guasti previsti? | Alta |
| Sensori | Le misure selezionate corrispondono ai guasti? | Alta |
| Connettività | I dati possono essere trasmessi in modo affidabile? | Alta |
| Cronologia | Esistono dati relativi a guasti o interventi? | Media |
| GMAO | Le apparecchiature sono correttamente referenziate? | Alta |
| Allarmi | Le soglie sono azionabili? | Alta |
| Feedback dal campo | I tecnici possono qualificare gli avvisi? | Alta |
| Sicurezza | I flussi sono crittografati e segmentati? | Alta |
| Gestione | È stato identificato un responsabile dell’implementazione? | Alta |
Il successo dipende tanto dall’organizzazione della manutenzione quanto dalla tecnologia.
Indicatori di performance da monitorare
Per misurare l’efficacia della manutenzione predittiva basata sull’IoT, è necessario monitorare gli indicatori nel tempo.
| Indicatore | Obiettivo |
|---|---|
| Numero di fermi non pianificati | Misurare la riduzione dei guasti subiti |
| MTBF | Monitorare il tempo medio tra i guasti |
| MTTR | Misurare il tempo medio di riparazione |
| Tasso di falsi positivi | Migliorare la qualità degli allarmi |
| Tasso di allarmi confermati | Verificare la pertinenza del modello |
| Tempo che intercorre tra l’allarme e l’intervento | Valutare la reattività |
| Apparecchiature in zona rossa | Stabilire le priorità di manutenzione |
| Interventi pianificati grazie agli avvisi | Misurare l’utilizzo effettivo |
| Disponibilità delle macchine | Collegare manutenzione e produzione |
| Costo di manutenzione per apparecchiatura | Monitorare l’impatto economico |
I guadagni devono essere calcolati sulla base di questi indicatori, non annunciati senza un riferimento specifico al sito.
In che modo Eziwan aiuta a passare alla manutenzione condizionale
Eziwan fornisce gli elementi necessari per collegare le apparecchiature industriali, raccogliere i dati utili, individuare eventuali anomalie e collegare gli avvisi ai processi di manutenzione.
| Esigenza | Risposta di Eziwan | Vantaggio |
|---|---|---|
| Raccogliere le misurazioni | Sensori e gateway industriali | Dati sul campo affidabili |
| Collegare i siti | Telemetria sicura | Monitoraggio multisito |
| Rilevare le anomalie | Analisi delle tendenze | Avvisi prima di un probabile guasto |
| Stabilire le priorità | Punteggio di integrità | Pianificazione più chiara |
| Ridurre i falsi positivi | Correlazione multisensore | Avvisi più pertinenti |
| Agire | Integrazione con il sistema di gestione della manutenzione | Ordini di lavoro utilizzabili |
| Monitoraggio | Report automatici | Gestione della manutenzione |
| Sicurezza | Gallerie e controllo degli accessi | Protezione dei dati OT |
Questo approccio può avvalersi del gateway Eziwan, del monitoraggio tramite il cloud Eziwan e delle architetture di connettività industriale.
Conclusione
La manutenzione predittiva basata sull’IoT non parte da un algoritmo magico. Parte da una manutenzione condizionale affidabile: sensori scelti con cura, dati regolari, contesto di processo, soglie comprensibili, avvisi su cui è possibile agire, integrazione con il sistema di gestione della manutenzione (GMAO) e feedback dall’esperienza sul campo. È proprio questa catena completa che consente di passare gradualmente dagli interventi di emergenza a quelli pianificati.
Eziwan accompagna questa transizione raccogliendo i segnali deboli provenienti dalle macchine critiche, analizzando le tendenze, classificando le apparecchiature in base al livello di rischio e attivando le azioni appropriate negli strumenti di manutenzione. Per le aziende industriali, la sfida è chiara: ridurre i fermi macchina imprevisti, pianificare meglio gli interventi e sfruttare i dati raccolti sul campo per migliorare in modo sostenibile l’affidabilità del parco macchine.
Per approfondire
- Manutenzione predittiva IIoT — implementate una strategia di manutenzione predittiva sulle vostre apparecchiature industriali
- Telediagnostica industriale — effettuate la diagnostica delle vostre apparecchiature da remoto per ridurre gli interventi sul campo
- Monitoraggio delle apparecchiature industriali — monitorate costantemente lo stato di salute delle vostre macchine
- Data logger industriale cloud — registrate e archiviate i dati relativi a vibrazioni, temperatura e corrente
- Supervisione e teleassistenza — combinate la supervisione remota e l’assistenza tecnica in tempo reale