IoT, analisi dei dati per aumentare le prestazioni delle macchine

Un tempo era la norma utilizzare le macchine finché non si rompevano. Ma è sempre stata una linea di condotta discutibile. Le conseguenze inevitabilmente erano tempi di inattività imprevisti, perdita di produzione, scarsa qualità, lavoro da rifare e aumento dei costi. Ecco perché le aziende competitive utilizzano la manutenzione preventiva e predittiva, a volte programmata con mesi di anticipo, per evitare arresti non previsti, guasti e interruzioni.

Ma anche se la manutenzione predittiva è la soluzione migliore, spesso si basa su dati raccolti manualmente e focalizzati troppo sul passato, spiega Pier Giuseppe Dal Farra, IoT Industry Business Expert di Orange Business Services.

Le informazioni vengono raccolte alla fine di un turno, di un giorno o della settimana e poi analizzate. Questo crea una vulnerabilità: il processo è riconosciuto come importante ma se avviene qualcosa di urgente altrove nell’impianto, allora l’importante può essere messo da parte mentre viene affrontato l’urgente: la tentazione è di trascurare quel particolare rapporto. Così le condizioni della macchina non vengono monitorate in modo efficace. Potrebbe essere tutto a posto, oppure no. E anche se tutto è apparentemente a posto, non è ottimizzato e non funziona al meglio delle sue possibilità.

OEE, ovvero efficacia delle apparecchiature operative

Le tecniche OEE (operational equipment effectiveness o “efficacia delle apparecchiature operative”) spesso definite lo standard aureo di misurazione, identificano la percentuale di tempo di produzione veramente produttivo e fornisce informazioni essenziali su come migliorare sistematicamente i processi. La misurazione delle prestazioni è basata su orari programmati e viene confrontata con le aspettative e le specifiche.
È improbabile un processo possa funzionare al 100% di OEE: un obiettivo più realistico, ma comunque ambizioso, è di circa l’85%.

Per migliorare le prestazioni abbiamo bisogno di dati, osserva Dal Farra. I sensori raccolgono informazioni sulle prestazioni operative e sulle condizioni dei macchinari, inclusa l’usura. La raccolta di questi dati su un periodo di tempo consente agli operatori e ai reparti di manutenzione di prevedere, con precisione, quando i componenti dovranno essere sostituiti.

Si può arrivare a capire perché un cuscinetto si consuma dopo sei mesi e la ragione per cui lo fa su una macchina e non su un’altra. E perché un componente elettrico viene sostituito quando sembra funzionare ancora bene.

Per ottenere un quadro preciso di come le apparecchiature funzionino effettivamente, i dati devono essere raccolti e analizzati in tempo reale. Un imprevisto come un picco di potenza di breve durata rischia di rimanere inosservato e, insieme a esso, il vero motivo per cui un componente si rompe; i tecnici possono stimare in base alla loro esperienza e tramite la raccolta manuale di dati che un componente smetta di funzionare “più o meno in un quel momento”, ma potrebbero non sapere esattamente perché avviene.

Anche se la conoscenza accumulata e l’esperienza di tecnici e ingegneri è preziosa, non è sempre affidabile. Persone diverse possono avere esperienze differenti. La loro esperienza dovrebbe essere tenuta in considerazione ma la raccolta indipendente di dati reali dall’attrezzatura stessa è, in definitiva, la base più affidabile su cui costruire.

Ciò che serve per registrare i dati in tempo reale è già presente: sono sensori di temperatura, sensori di vibrazione, contagiri, controllori logici programmabili e così via – tutte le apparecchiature di monitoraggio sono già installate. Proprio come Internet collegava i personal computer in tutto il mondo, l’Internet delle cose (IoT) collega macchine e attrezzature, le unisce e rende il tutto più grande della somma delle parti. Consente la raccolta di dati in tempo reale e le tecniche di analytics rendono il tutto interpretabile.

L’esempio nel settore del taglio laser e sorting

Un’azienda ha sviluppato un robot cartesiano a 14 assi per compiere operazioni che erano precedentemente svolte da operatori e che rappresentavano un collo di bottiglia in produzione (prelevare lamiere d’acciaio, posizionarle in modo estremamente preciso sul tavolo da taglio, rimuovere le parti tagliate ed impilarle su un pallet).

È ora il robot a fare tutto questo: il programma del robot comunica col magazzino per ricevere la materia prima di cui ha bisogno e decide l’utensile migliore da utilizzare per eseguire l’attività richiesta.
I robot sono muniti di sensori per misurare tutti i parametri rilevanti e determinare il modo migliore per svolgere un determinato lavoro.
Quello che l’azienda ha fatto è stato raccogliere tutti questi dati, da tutte le macchine nel mondo: questo ha permesso di capire come stavano funzionando i robot, i valori di accelerazione, la coppia, la velocità di funzionamento e così via.

Questi dati hanno permesso di ottimizzare le prestazioni. Valori al di fuori dell’intervallo atteso attivano avvisi e consentono di intervenire. Inoltre, i dati offrono una migliore comprensione di quale potrebbe essere il problema, rapidamente. Questo si traduce in una migliore pianificazione della manutenzione – molto utile in particolare nel periodo di garanzia.

Questo processo calcola il tempo medio tra i guasti in modo molto più preciso sul campo e identifica in modo più accurato dove e perché si verificano.
Ottenere una visione d’insieme più chiara significa poter programmare meglio livelli e profili di stoccaggio dei magazzini di pezzi di ricambio di tutto il mondo. Questi dati sono preziosi per i produttori e per i loro clienti, contribuiscono a ridurre i costi e migliorare le prestazioni e diventano parte dell’offerta totale.

ELM Leblanc, che produce, installa e fornisce assistenza e supporto per caldaie domestiche, ha implementato una soluzione di monitoraggio remoto sviluppata da Orange che utilizza il cloud Microsoft Azure per raccogliere e analizzare una serie di input, tra cui temperatura, consumo di elettricità, produzione di energia e consumo di acqua. Il sistema avverte i tecnici in caso di malfunzionamento, il che consente interventi di manutenzione più efficienti e riduzione dei costi, con diagnosi accurata basata sullo storico degli interventi. Le possibili cause vengono analizzate e si determinano misure correttive.

Il processo di risposta include feedback per aiutare a migliorare la futura diagnosi. L’operatore può anche accedere al database che contiene i dati su tutte le caldaie ELM LeBlanc, ovunque siano installate. Ogni evento aggiunto al database consentirà un’identificazione più rapida dei pattern dei guasti o delle prestazioni distanti dalle specifiche, creando così una soluzione di manutenzione predittiva affidabile. In definitiva, gli algoritmi di apprendimento automatico saranno in grado di calcolare in modo affidabile la “vita utile residua” delle caldaie.

Il vecchio modo di fare le cose, ossia reagire individualmente ai reclami dei clienti o ai guasti e ai ritardi dopo che un problema si era già verificato, corrispondeva a brancolare nel buio. Indipendentemente dalla rapidità o dall’efficienza dei servizi di assistenza, ci potevano volere mesi per identificare i pattern di malfunzionamento e, nel frattempo, le linee produttive rimanevano ferme, i costi incrementavano e i clienti insoddisfatti – sia B2B che B2C – erano più inclini a scegliere un fornitore diverso. L’utilizzo di IoT per la gestione della manutenzione predittiva risulta più reattivo, più efficace, migliora la soddisfazione del cliente e consente di ridurre sensibilmente i costi.