AO_423

GIUGNO-LUGLIO 2020 AUTOMAZIONE OGGI 423 78 Gli approcci classici per il miglioramento di affidabilità, sicurezza ed efficienza nei processi produttivi non sempre consentono una diagnosi dei guasti. Come risolvere il problema? Gianluca Di Buò, Michela Longhi er il miglioramento dell’affidabilità, della sicurezza e dell’ef- ficienza nei processi produttivi, sono necessari metodi avanzati di supervisione, rilevazione e diagnosi dei guasti. Ciò vale soprattutto per i processi relativi alla sicurezza come nell’ambito degli aeromobili, treni, automobili, im- pianti di energia e chimici. Gli approcci classici si basano sul controllo del limite o dell’andamento di alcune variabili di output misurabili, ma non forniscono una visione più approfondita e di solito non consen- tono una diagnosi dei guasti. Per risolvere questo problema sono stati sviluppati metodi basati sul modello di rilevamento dei guasti utiliz- zando input e segnali di uscita e applicazioni di modelli di processo dinamici. Questi metodi si basano, ad esempio, sulla stima dei parame- tri, sulle equazioni di parità o sullo stato degli osservatori. L’obiettivo è generare diversi sintomi utilizzati come indicatori della differenza tra normale funzionamento e stato difettoso. Sulla base di diversi sintomi seguono poi le procedure di diagnosi dei guasti, determinando il di- fetto applicando la classificazione o la sintesi di più metodi. Anomalia e guasto Produzione di beni ed erogazione di servizi sono alla base del be- nessere delle attuali società avanzate, possibili anche grazie all’uti- lizzo di macchinari che affiancano il lavoro degli uomini. Purtroppo però, le macchine sono spesso soggette a comportamenti anomali e a guasti, portando con sé disservizi e costi aggiuntivi. L’anomalia di funzionamento e il guasto di una macchina sono dei disturbi al normale svolgimento dell’attività. In questo scenario la prevenzione del guasto assume un’importanza cruciale, lamanutenzione preven- tiva e, in particolare, quella predittiva si è sviluppata notevolmente negli anni recenti, fino ad oggi, momento in cui siamo in procinto di compiere un netto miglioramento nella predizione del guasto, utilizzando tecniche di intelligenza artificiale, di machine learning e deep learning; queste sono tecniche che richiedono l’elaborazione di vaste moli di dati, solitamente di diversa natura e di software in grado di fornire soluzioni sempre coerenti al reale. Tre passi importanti Il metodo generale da seguire per supportare l’implementazione di soluzioni di fault diagnosis richiede, in generale, tre passi. Per ogni contesto operativo è necessario definire, prima di tutto, una cor- retta pianificazione con l’obiettivo di perseguire un’alta efficienza. La pianificazione è basata su criteri capaci di garantire la selezione dei sistemi rilevanti in termini di rischio e costi sul ciclo vita e per i quali siano applicabili tecniche avanzate di diagnosi e prognosi. Questo presuppone, ad esempio: l’implementazione di un processo sistematico per la valutazione delle tipologie di manutenzione otti- mali in relazione al rischio, al danno correlato alle diverse modalità di guasto dei componenti degli equipaggiamenti considerati e ai costi associati; l’individuazione dei segnali e le loro combinazioni da utilizzare per monitorare lo stato di funzionamento del sistema e dei componenti che lo costituiscono; la selezione della tipologia e del posizionamento dei sensori; la classificazione delle diverse condi- zioni di funzionamento e dei valori che ne definiscono i livelli ottimali da cui discendono le soglie per l’attivazione di una notifica/allarme. Il secondo punto vede che per l’acquisizione dei dati dai sensori, lo sviluppo di modelli di diagnosi e prognosi e la loro validazione, vengano comunemente utilizzati sia metodi di diagnosi basati sui dati e sui relativi algoritmi, sia metodi knowledge based. I primi si basano su analisi statistiche dei dati osservati e su metodi di regres- sione logica per la costruzione di modelli di regressione per la stima della probabilità, mentre i secondi sono basati sulla realizzazione di un modello analitico del sistema e dei suoi componenti capace di formulare ipotesi relative a possibili malfunzionamenti in caso di deviazioni dei valori misurati da quelli nominali. Questi metodi sono finalizzati alla diagnosi avanzata e alla prognosi di condizioni di guasto e richiedono la stima del tempo al guasto che rappresenta la stima della vita utile residua in un certo intervallo di fiducia. L’uti- lizzo dei modelli sviluppati, la gestione delle informazioni e la loro corretta e fruibile comunicazione all’utilizzatore finale a supporto dei processi decisionali di natura operativa e manutentiva è il terzo passo. Questo permette di assicurare le informazioni necessarie per selezionare le azioni utili all’ottimizzazione delle attività e al loro continuo miglioramento e richiede la realizzazione di architetture e strumenti hardware e software che consentano sia la trasmissione di informazioni a supporto delle attività, sia la gestione e l’analisi dei dati per la revisione dei database a intervalli pianificati e il continuo affinamento delle soglie e degli eventi che determinano l’allarme. • Idea - www.idea-on-line.it P Fault diagnosis in funzione Foto tratta da http://www.shutterstock.com