Nello Showroom di smeup abbiamo installato un dispositivo finalizzato a dare una dimostrazione pratica delle nuove tecniche di analisi e manutenzione predittiva. Grazie all’incremento delle cosiddette “tracce digitali”, inserite nei più svariati ambiti applicativi dell’Internet of Things (automobili, frigoriferi, macchinari inseriti in processi produttivi etc.) è possibile disporre di un database storico sempre più ampio ed in grado di costituire un ambiente idoneo per allenare efficacemente diversi tipi di modelli matematici, allo scopo di realizzare previsioni accurate sul comportamento futuro della macchina.

Il sistema studiato, che ha lo scopo di riprodurre in maniera semplificata un macchinario di un processo produttivo, consiste in una lavatrice nella quale vengono inseriti degli articoli di forma sferica tutti dello stesso tipo (es. palline di plastica o di legno). È possibile la selezione tra tre diversi settaggi della centrifuga, che simboleggiano i setup delle macchine, a seconda del peso degli articoli, posti in tre ceste: 3 Kg a 600 giri, 2 Kg a 800 giri e 1 Kg a 1.000 giri.

La quantità scelta viene introdotta nella lavatrice e sottoposta ad un ciclo a secco di sola centrifuga, caratterizzato da una prima breve fase di preparazione e da una successiva fase di funzionamento a regime della centrifuga alla velocità desiderata, il tutto della durata massima di dieci minuti.

Il tracciato di rumore e vibrazione emesso viene poi confrontato con il tracciato campione corrispondente, uno per ciascun setup, e rappresentante il buon funzionamento della macchina.

Quanto più il tracciato del ciclo effettuato si discosta da quello del campione, quanto più è probabile che il dispositivo si stia allontanando dal suo funzionamento corretto e possa andare incontro ad anomalie o guasti; viceversa uno scostamento fin da subito molto significativo potrebbe evidenziare un banale errore iniziale di settaggio della centrifuga.

Lo scopo del progetto è pertanto duplice; da un lato si vuole ottenere un feeback immediato dopo la conclusione di ogni ciclo, dall’altro lato si vogliono perseguire degli obiettivi a lungo termine. Settaggi di centrifuga relativi al peso degli articoli, consumo della macchina nel ciclo, tracciati di rumore e vibrazione e relativi scostamenti rispetto al campione target, possibili interruzioni nel funzionamento del macchinario, vengono infatti registrati nel tempo al fine di costruire un database storico sufficientemente ampio da poter allenare diversi tipi di algoritmi.

Questo training di modelli matematici ha l’obiettivo di intercettare possibili interessanti pattern nei dati storici, che possano dare informazioni utili sul processo implementato, quali ad esempio la correlazione tra consumo e rumore e/o vibrazione, e prevedere il verificarsi di un‘anomalia di funzionamento grazie all’evolversi delle variabili di processo registrate.