L’ atto finale di un programma CBM (acronimo di Condition Based Monitoring, ossia Manutenzione basata sulle condizioni) prevede il supporto decisionale alla manutenzione (maintenance decision
making).
In base ai dati raccolti viene redatto un programma che stabilisce le azioni da compiere relativamente alla manutenzione della macchina o del sistema. Come visto in altri articoli, le tecniche per realizzare un
piano di manutenzione in un programma CBM sono due:
• diagnostica, che si occupa di trovare, isolare e identificare gli errori/problemi quando si verificano;
• prognostica, che invece ha l’obiettivo di prevenire gli errori/problemi e quindi di agire preventivamente, così da impedire che si realizzino guasti e relativi blocchi produttivi, contenendo in tal modo i costi derivanti da manutenzioni non programmate.
Tuttavia la prognostica non potrà mai sostituirsi completamente alla diagnostica, perché vi saranno sempre fenomeni che è difficile (e, talvolta, impossibile) prevedere, e pertanto le due tecniche spesso operano in maniera complementare.
La diagnostica dei guasti è una procedura che si basa sulla mappatura delle informazioni ottenute, a cui segue un’ analisi dei dati di funzionamento basandosi sulle caratteristiche della macchina.
Tradizionalmente questa analisi è svolta da specialisti che immettono i dati nel sistema di manutenzione, e grazie all’ausilio di programmi che facilitano la comprensione e l’ elaborazione dei dati, elaborano una
prima analisi di quanto è accaduto nella macchina o individuano linee di tendenza che preludono a guasti.
Tuttavia, dato che questa delicata operazione dev’ essere svolta da personale altamente specializzato, negli ultimi anni sono in avanzato stadio di sviluppo tecniche che inseriscono e analizzano i dati in modo
automatico, diminuendo così le possibilità di errore e aumentando la rapidità con cui le condizioni anomale possono venire identificate. Le tecniche più importanti (sia per le modalità di utilizzo, sia per le
prospettive di miglioramento) sono:
• Intelligenza Artificiale: tecniche di diagnostica che si basano sull’addestramento e l’utilizzo di reti neurali col fine di rilevare e classificare gli errori/problemi;
• Deep Learning: tecniche sempre basate su reti neurali, ma in grado di “auto-apprendere”;
• Fusione di dati (Multiple sensor data fusion): tecniche capaci di raccogliere e integrare le informazioni fornite da un numero elevato di sensori, e quindi capaci di mappare in modo preciso le prestazioni dei componenti del sistema.
A cura di Carlo Remino e Stefano Alberton
