APPROFONDIMENTO TECNOLOGICO

Intelligenza artificiale applicata alle macchine rotanti

Diego Pareschi
ABB B.V.
Delft, Paesi Bassi
diego.pareschi@nl.abb.com

Enrico Ragaini
ABB S.p.A.
Bergamo, Italia
enrico.ragaini@ it.abb.com

Gabriele Perrone
ABB S.p.A.
Bergamo, Italia
gabriele.perrone@ it.abb.com

In genere solo le macchine rotanti più critiche di un impianto sono sottoposte a monitoraggio continuo a scopo di manutenzione.  ABB ha creato una soluzione IoT (Internet of Things) che integra sensori intelligenti, apprendimento automatico e avanzati software di diagnostica.

In un tipico impianto industriale il monitoraggio dello stato e la manutenzione predittiva vengono applicati esclusivamente alle macchine rotanti più critiche. Per ragioni di costo le unità meno critiche sono spesso analizzate solo manualmente e una volta ogni 3-6 mesi.


L’intervento precoce, volto a ridurre la necessità di manutenzione correttiva, è più efficiente in termini di costo del semplice lasciare che un componente funzioni fino a quando si guasta.

Per vedere come monitorare, diagnosticare e prevedere i guasti sulle unità rotanti meno critiche ma largamente utilizzate, come i motori o le pompe, ABB ha eseguito uno studio di 30 mesi su un impianto pilota presso un importante cliente chimico. L’impianto è stato dotato di tecnologie  basate su sensori efficienti in termini di costo, apprendimento automatico e una soluzione software basata su indicatori chiave di stato (KCI) →1. I dati di vibrazione sono stati rilevati più volte al giorno su 30 pompe. Una rete di dispositivi IoT (Internet of Things) ha raccolto i dati rilevanti dai quali le analisi estraggono informazioni.

Background e motivazione
Il monitoraggio dello stato degli asset industriali, come i motori o le pompe, può far sì che i problemi critici siano rilevati per tempo, evitando tempi di fermo non programmati o danni. L’intervento precoce, volto a ridurre la necessità di manutenzione correttiva, è più efficiente in termini di costo del semplice lasciare che un componente funzioni fino a quando si guasta. Tuttavia, i costi elevati connessi con i sistemi di monitoraggio dello stato ne limitano attualmente l’uso agli asset critici.

Un impianto di trasformazione industriale – ad es. uno stabilimento chimico o farmaceutico – contiene tipicamente una ricca flotta di motori non critici che azionano delle pompe. Qui il costo di eventuali guasti è nettamente inferiore a quello degli impianti critici; tuttavia, questi asset trarrebbero vantaggio da un sistema di rilevamento dei guasti precoce ed efficiente in termini di costo.

Il rilevamento precoce dei problemi non solo contribuirebbe ad evitare danni ulteriori, ma la pre-diagnosi dei problemi potrebbe anche ridurre il tempo necessario a riparare l’asset.

Architettura generale della soluzione
Nello studio pilota l’architettura del monitoraggio di stato per le unità rotanti non critiche presenta tre livelli (vedi Immagine 1):

  • Livello locale, con sensori installati sugli asset per raccogliere i dati.
  • Livello impianto, con aggregazione e pre-elaborazioni dei dati dei sensori installati su tutto l’impianto.
  • Livello piattaforma di integrazione dati (es. cloud o altra piattaforma), per analisi dei dati di flotta (come benchmarking, manutenzione predittiva) e reporting.
Immagine 1
Architettura del monitoraggio di stato per unità rotanti non critiche. Alcuni aspetti di questa architettura possono variare da impianto a impianto (ad es. non tutti usano un wireless HART o connessioni Bluetooth).

Livello di architettura 1: locale
Il livello locale va dalla raccolta dei dati tramite sensori fino alla trasmissione dei dati raccolti. Gli asset considerati sono le parti standard delle unità rotanti di un impianto di trasformazione commerciale - ad es. motori in bassa tensione e pompe. Ciascun elemento rientrante nello studio è stato dotato di un sistema wireless commerciale di monitoraggio dello stato, ABB WiMon 100, utilizzato per rilevare i dati delle vibrazioni. Il sistema WiMon è composto da un sensore di vibrazioni (accelerometro) che rileva le vibrazioni e da un sensore termico che rileva la temperatura superficiale delle unità rotanti. I sistemi WiMon si avvalgono di una tecnologia di rete magliata che semplifica il trasferimento dei dati nell’impianto. Inoltre i motori in bassa tensione sono stati dotati di un sensore smart ABB Ability™ che converte i motori tradizionali in apparecchi intelligenti con connessione wireless.

Lo schema di raccolta dati del sistema WiMon può essere configurato in base alle esigenze dell’utente. Tipicamente ogni ora un valore aggregato del valore quadratico medio della velocità in mm/s e la temperatura superficiale effettiva in °C viene salvato come dato di serie temporale. Per eseguire analisi della vibrazioni dettagliate, ogni sei ore viene catturato il segnale grezzo dall’accelerometro per un tempo campione di 700 ms ed è calcolato un FFT (fast Fourier transform) del segnale grezzo catturato. Lo spettro di frequenze ottenuto consente di estrarre ed analizzare le componenti del segnale di vibrazione a frequenze selezionate.

Livello di architettura 2: impianto
La rete magliata costituita dai sistemi Wi Mon è collegata a un gateway wireless HART. Attraverso il gateway la raccolta di dati dei sensori è collegata alla rete dell’impianto e disponibile per diverse analisi a livello di impianto. Nell’ architettura realizzata i dati di segnale dell’asset raccolti vengono salvati nello storico dell’impianto ed elaborati nel server edge di ABB installato sull’impianto.

Livello di architettura 3: piattaforma di integrazione dati
La Piattaforma di accesso remoto di ABB permette di trasferire i dati del segnale dell’asset alla piattaforma di integrazione dati. Oltre a queste notevoli capacità di calcolo, un vantaggio importante di questa piattaforma è la possibilità di raccogliere dati da molti impianti.


Con molti impianti connessi, sulla piattaforma si possono eseguire analisi dei dati di flotta per confrontare e valutare sedi e regioni diverse.

Con molti impianti connessi, sulla piattaforma si possono eseguire analisi dei dati di flotta per confrontare e valutare sedi e regioni diverse. Un algoritmo di monitoraggio dello stato consente di elaborare tutti i dati raccolti e di accedere da remoto, da sedi diverse, a tutti i risultati delle analisi.

Diagnostica: le analisi dietro gli indicatori chiave di stato
L’utilità di un sistema di monitoraggio dello stato dipende dalla sua capacità di fornire all’utilizzatore informazioni concise, significative e implementabili. I dati sulle vibrazioni possono essere utilizzati per calcolare una serie di metriche utili affinché il manager della manutenzione identifichi le azioni per prevenire un ulteriore deterioramento dell'asset. Ad esempio, uno squilibrio delle unità rotanti si manifesta come maggiore vibrazione alla frequenza di rotazione. Nello scenario qui in esame, i dati dello spettro di frequenze sono inseriti in algoritmi proprietari sviluppati in ABB per calcolare i KCI per le modalità di guasto (ad es. guasto di cuscinetti o cavitazione) che possono interessare un elemento delle unità rotanti (vedi Immagine 2).

Immagine 2
Esempio: uno spettro di frequenze di una pompa normale e di una pompa danneggiata.

Un KCI è un valore numerico che indica il livello di gravità della modalità di guasto corrispondente osservata nell’unità. Negli esempi seguenti i KCI monitorano problemi che possono essere rilevati utilizzando i dati delle vibrazioni:

  • Problemi alle pale: quando si monitorano le pompe, certi picchi nelle spettro di frequenze indicano danni alle pale della pompa. Il KCI del problema alle pale indica la gravità di questi picchi critici.
  • Turbolenze di flusso: questo KCI indica irregolarità nel flusso del liquido che passa nella pompa. Le turbolenze possono essere un problema in sé o indicatori di problemi.
  • Gioco eccessivo: l’albero centrale delle unità rotanti è spesso limitato dai cuscinetti in modo che il suo asse di rotazione non fluttui. Un gioco eccessivo, causato tipicamente dall’usura del cuscinetto, causerà un movimento verticale e orizzontale dell’albero che ben presto produrrà ulteriori danni. Il KCI di gioco eccessivo indica se e in quale misura l’unità è interessata da questo problema.
  • Disallineamento: tutti i componenti delle unità rotanti devono essere ben allineati. Tuttavia, eventuali danni di trasporto o irregolarità di funzionamento possono causare deviazioni della posizione di allineamento ideale. Come il gioco eccessivo, il disallineamento può causare altri danni all’asset e ridurne la performance.
  • Squilibrio: idealmente gli elementi rotanti di una pezzo dell’unità sono bilanciati. Ciò significa che la massa è distribuita equamente in tutte le direzioni. Un esempio di squilibrio è un pezzo che aderisce ad una delle pale in una pompa, esercitando forza aggiuntiva sui cuscinetti.
  • Cavitazione: la cavitazione è un problema ben noto delle pompe. Quando si esercita una forza su un liquido si possono formare delle piccole bolle a bassa pressione con conseguenti rapide variazioni di pressione. Data la pressione elevata attorno ad esse, queste bolle possono implodere e causare danni alla pompa.
    Il KCI cavitazione rileva il verificarsi di implosioni dovute a cavitazione.

Manutenzione predittiva: prevedere lo stato di salute dell’asset grazie all’apprendimento automatico
Un modello di apprendimento automatico, basato su una rete magliata, è stato addestrato a prevedere lo stato di salute futuro degli asset. La previsione, o prognosi, si basa sui KCI e su altre informazioni dell’asset e le loro variazioni nel tempo. Ad esempio, sulla base dei valori KCI passati Ct-n, ... , Ct-1, la rete neurale prevede valori futuri Ct+1 e Ct+n, dove n indica la previsione o finestra “look-ahead”. Se il valore previsto di un asset oltrepassa una soglia, il gestore dell’asset riceve un messaggio che avvisa della necessità di un’ispezione (vedi Immagine 3).


L’utilità di un sistema di monitoraggio dello stato dipende dalla sua capacità di fornire all’utilizzatore informazioni concise, significative e implementabili.

Immagine 3
Panoramica dell’approccio di modeling predittivo.

La soglia utilizzata per determinare uno scarso stato di salute dell’asset può essere stabilita utilizzando o standard del settore o in base a dati; in tal caso un ampio campione di valori KCI sarebbe fornito ad un diverso modello di apprendimento automatico in grado di categorizzare i dati in classi separate sulla base di tali valori.


L'approccio di apprendimento automatico di ABB si è dimostrato altamente efficace nel prevedere il deterioramento dello stato di salute dell’asset, rilevato circa il 90% delle volte su questi tipi di asset.

A prescindere dalla soglia, l’approccio di apprendimento automatico di ABB si è dimostrato altamente efficace nel prevedere il deterioramento dello stato di salute dell’asset, che è stato rilevato circa il 90% delle volte su questi tipi di asset (i valori esatti dipendevano dal KCI utilizzato e da altri fattori come la finestra look-ahead).

Scenari di applicazione
Con l’architettura precedentemente descritta e con le analisi sviluppate per la diagnosi e la prognosi come base, è stata realizzata una soluzione prototipo per gli asset manager e il personale responsabile della manutenzione (vedi Immagini 4 e 5).

Immagini 4 e 5
Dashboard con panoramica della flotta di asset con il sistema di monitoraggio dello stato.

I risultati diagnostici sono presentati all’utilizzatore finale come stato attuale dell’asset, che può essere “Tenere in funzione”, “Aspettare e controllare” o “Richiede attenzione”.  Lo stato previsto può essere “Tenere in funzione” o “Richiede attenzione”. Segue una spiegazione degli scenari potenziali che possono presentarsi e di come la tecnologia sviluppata aiuta l’utilizzatore finale a trarne vantaggio.

Scenari potenziali, azioni corrispondenti e vantaggi per il cliente.

Scenario 1
Partendo dallo scenario banale in cui l’asset è normalmente in esercizio senza alcun danno previsto, gli stati attuale e previsto sono “Tenere in funzione”. Non deve essere eseguita alcuna manutenzione programmata non necessaria.

Scenario 2
In questo scenario l’asset mostra segni di danni ma non di guasto imminente. Quindi il campo di stato attuale consiglia all’utilizzatore di tenere l’asset in funzione; i campi di stato previsti per le settimane successive indicherebbero “Richiede attenzione” e raccomanderebbero un’azione. L’azione proposta all’utilizzatore è esplorare i dati dei sensori dell’asset in modo dettagliato e prendere gli opportuni provvedimenti. Gli algoritmi diagnostici indicano qualsiasi danno - ad esempio, un disallineamento rilevato nella vista dettagliata comporterebbe una raccomandazione ad eseguire un allineamento piuttosto che smontare l’asset, concentrandosi sulla sola manutenzione.

Scenario 3
In questo caso l’asset mostra segni di danni significativi, non abbastanza gravi da dover essere fermato ma sufficienti da richiedere un attento monitoraggio dello stato. I campi di stato previsto per le due settimane successive indicherebbero “Richiede attenzione” e raccomanderebbero un’azione. L’azione proposta all’utilizzatore è esplorare i dati dei sensori dell’asset in modo dettagliato e prendere gli opportuni provvedimenti a seconda delle diverse modalità di guasto. Gli algoritmi diagnostici indicano qualsiasi danno iniziato. Ad esempio, i problemi alle pale rilevati nella vista dettagliata darebbero luogo alla raccomandazione di eseguire una manutenzione che potrebbe richiedere di smontare l’asset.  Questo aiuterà l’asset manager a pianificare i ricambi e coordinare i lavori di manutenzione per ridurre al minimo i tempi di fermo.

Scenario 4
In questo scenario l’asset attualmente mostra sintomi di danni notevoli e potrebbe raggiungere un livello di danni significativo in due settimane o più. Comunque, dato che non vi è un danno devastante nello stato attuale, si consiglia all’utilizzatore di “Tenere in funzione”; la previsione basata sui dati dello storico e sui dati attuali suggerirebbe il campo di stato per la previsione di due settimane “Richiede attenzione.” L’azione proposta è eseguire un’analisi più dettagliata dei dati dei sensori come rapporto fingerprint: questa aiuterebbe l’asset manager a prendere una decisione informata sulla necessaria manutenzione da pianificare (se richiesta).

Conoscenza e lungimiranza
Molte importanti conoscenze sono emerse dallo sviluppo di questa soluzione di manutenzione predittiva:

  • La preparazione dei dati è un aspetto importante, spesso sottovalutato.
  • Quando si raccolgono periodicamente nuovi dati sul campo, la coerenza dei dati deve essere tenuta in particolare considerazione per comprendere casi in cui, ad es., un sensore è stato spostato o sostituito.
  • Vi sono sfide uniche associate alla gestione e alla manipolazione dei dati in tempo reale.

Affrontando queste sfide e unendo la conoscenza del settore ad approcci di apprendimento automatico, ABB è riuscita a fornire una soluzione solida e affidabile di monitoraggio dello stato per le unità rotanti non critiche. I risultati ottenuti applicando l’approccio al caso di un cliente reale hanno mostrato che i KCI possono essere previsti con precisione,fino a due settimane in anticipo.

PRECEDENTE
SUCCESSIVO