Predictive Maintenance a supporto dell’Asset Availability & Asset Integrity in Sarlux

La manutenzione non è rimasta indifferente a questa ennesima rivoluzione tecnologica

  • Settembre 20, 2022
  • 17 views
  • Tool predittivo M.L.
    Tool predittivo M.L.
  • DPMC
    DPMC

Introduzione

Gli obiettivi delle analisi condotte con strumenti di Predictive Analytics sono molteplici e ambiziosi: ridurre il downtime di apparecchiature e impianti, evitare onerosi fuori servizio degli asset e pianificare con largo anticipo la manutenzione in modo da renderla meno impattante sul processo produttivo. Questi sono gli sfidanti driver del Digital Predictive Maintenance Center (DPMC), finalizzati alla manutenzione predittiva avanzata sugli asset statici e dinamici della Sarlux. 

Questi sono gli sfidanti driver del Digital Predictive Maintenance Center (DPMC), finalizzati alla manutenzione predittiva avanzata sugli asset statici e dinamici della Sarlux.

Sensorizzazione di apparecchiature e processi

In questi ultimi anni caratterizzati da scenari complessi, instabili e soprattutto imprevedibili, i modelli di business delle aziende hanno spesso subito importanti cambiamenti o radicali mutazioni, come del resto anche l’organizzazione del lavoro e quindi del lavoratore, restando però sempre più “connesso” alle tecnologie digitali. Anche la manutenzione non è rimasta indifferente a questa ennesima rivoluzione tecnologica.

Negli ultimi dieci anni si è passati da robuste politiche di manutenzione ciclica, caratterizzate da una sostituzione periodica di componenti (solitamente legata a un tasso di guasto costante o crescente nel tempo) alla Condition Based Maintenance (CBM) applicabile indistintamente dalla modalità e tasso di guasto. A tal proposito è indispensabile che sia presente un segnale debole, rappresentativo di un potenziale fenomeno di danno, come ad esempio una vibrazione, un surriscaldamento, emissioni sonore o un consumo eccessivo di lubrificante o contaminazione dello stesso.

Individuati quindi i fenomeni o le grandezze di interesse (solitamente non è mai soltanto una) ci si rivolge a un mercato di fornitori che offrono una variegata tipologia di sensoristica, spesso abbinata a già evolute piattaforme di monitoraggio da remoto (anche questa rappresenta una nuova frontiera di business).

In questo contesto, nonostante il mercato sia in forte sviluppo, spesso ci si scontra con le normative o rigidi protocolli adottati dalle aziende in termini HSE o Cyber Security per le reti ICS e ICT.

Nel business Oil & Gas, il primo ostacolo è solitamente quello che la tecnologia rispetti la normativa Atex (ATmosphere EXplosive) a cui non tutti costruttori, forse anche per via dei diversi business a cui rivolgono i loro prodotti, si sono ancora adeguati.

Oltre alla ATEX, altro punto di attenzione in fase di scouting per testare e/o adottare una nuova tecnologia, è quello dei protocolli di trasmissione e comunicazione sulle architetture aziendali e gestione del dato o forse è più attuale chiamarli “Big Data”.

Queste sono le considerazioni preliminari su cui riflettere quando si vuole “sensorizzare” un asset esistente: operazione necessaria per poter migrare verso politiche manutentive ancor più efficienti e quindi verso la manutenzione predittiva dell’industria 4.0, pensata proprio per limitare i tempi di fermo impianto e incrementare la disponibilità operativa degli Asset.

In Sarlux, grazie anche a un forte commitment per una transizione digitale, sono stati attivati diversi progetti di sensorizzazione di apparecchiature e processi, sperimentando tecnologie IoT (Internet of Things), in modo da avere sistemi interconnessi, in cui un determinato asset entra a far parte di una rete ed è in grado di comunicare con altri “oggetti”, avendo a disposizione un’infrastruttura dove veicolare velocemente ed efficacemente informazioni e dati.

Altro passo avanti in ambito Predictive Maintenance è stato quello di investire anche su tecniche di data Analytics proposte da diversi vendor in ambito IT o come parte integrante di piattaforme di Asset Management.

Questi sistemi si possono riassumere come dei tool che svolgono funzioni normalmente associate all’intelligenza umana di ragionamento e apprendimento definiti come di Intelligenza Artificiale e Machine Learning in ambito del data processing.

L’implementazione richiede un effort iniziale abbastanza oneroso, ma anche la gestione quotidiana di questi programmi non è semplicissima. Bisogna prima di tutto creare i modelli, poi procedere al loro addestramento e in condizioni di processo produttivo variabile e interconnesso il loro tuning può diventare molto delicato. Il rischio è che il sistema vada a predire condizioni che poi non si è in grado di comprendere a fondo o che non si riesce a ricondurre a un aspetto tecnico concreto, considerando che il fine ultimo è quello di tradurre l’output in un’azione o informazione utile nell’immediato o nel futuro.

Inizialmente in fase di sperimentazione di questi tool si era adottato un approccio definito quasi a “black-box” dove in input all’algoritmo si mettevano a disposizione tutti i dati residenti nei server di storicizzazione (inerenti all’apparecchiatura in esame), ricevendo come output, alert, spesso non riconducibili in modo diretto al funzionamento dell’asset o alle condizioni al contorno del processo.

Frequentemente addirittura si è ritenuto più conveniente e con risultati più interessanti, un approccio più riduttivo sulla quantità di dati in input, effettuando una selezione a monte, in modo da accorpare i segnali secondo la loro natura e soprattutto secondo la tipologia di anomalia che avremmo preferito individuasse il sistema.

Nel nostro caso queste tecniche vanno in tutti i casi ad affiancarsi alle metodologie più classiche e consolidate della diagnostica industriale come il Condition Monitoring effettuata con sistemi “più tradizionali” dove si procede con un monitoraggio puntuale di singole grandezze a cui sono attribuite soglie di warning, che permettono attraverso le correlazioni con altri applicativi la generazione automatica di alert su device fissi o mobili.

Sarlux come altre aziende che possiedono asset industriali complessi e interconnessi da circa un quinquennio ha intrapreso il percorso verso la manutenzione predittiva 4.0, imbattendosi sin da subito sulla potenzialità dei big data ma soprattutto nella loro gestione. Ha infatti pensato con lungimiranza anche alla presenza di Data Scientist in affiancamento agli esperti di processo, progettazione e gestione della manutenzione degli asset industriali.

La manutenzione sarà pertanto sempre più centrata sul dato ma per fortuna il valore aggiunto saranno ancora le persone che dovranno generare un valore nel dato stesso.

Sistemi innovativi come quelli descritti e adottati dal DPMC saranno tanto più efficaci e di successo quanto più sarà elevata la capacità di conoscere la storia manutentiva e il funzionamento delle macchine e soprattutto di coniugare le conoscenze classiche con le nuove frontiere della tecnologia digitale.

Marco Annis, Responsabile Digital Predictive Maintenance Center, Saras 

Maurizio Melis, Reliability Engineer, Saras

Gabriele Dessi, Electrical Reliability Tecnologist, Saras

Rossana Saullo si laurea prima in Lettere Moderne presso l’Università della Calabria di Cosenza, successivamente consegue la laurea magistrale in Letteratura, Filologia e Linguistica Italiana presso l’Università degli Studi di Torino. Nel 2020 consegue il Master Professione Editoria Cartacea e Digitale presso l’Università Cattolica di Milano. Da settembre 2020 lavora in TIMGlobal Media.

More articles Contatto