Vibration Monitoring and Intelligent Diagnosis Tools for Condition-Based Maintenance

Ogni impianto di produzione è caratterizzato da periodi di operatività, nei quali funziona correttamente, e da periodi di fermo, dovuti alla presenza di guasti o all’esigenza di effettuare attività volte a ristabilire il suo normale comportamento. L’obiettivo principale della funzione manutenzione è minimizzare i periodi di fermo impianto, al fine di renderlo il più disponibile possibile. Attualmente, la manutenzione basata su condizione (CBM) è una delle più politiche più efficaci adottate dalle industrie. Essa è basata sul monitoraggio di diversi parametri della macchina che ne riflettono lo stato di salute. Tra i parametri più utilizzati si trovano i segnali di vibrazione. La CBM può essere implementata attraverso quattro passi principali: raccolta dati, analisi dei segnali, diagnostica e prognostica. Tale procedura prende il nome di Prognostic Health Monitoring (PHM). La necessità di analizzare la grande mole di dati raccolta attraverso il vibration monitoring richiede l’utilizzo di metodi sviluppati nell’ambito della teoria statistica e del data mining, che si pongono l’obiettivo di riconoscere andamenti regolari all’interno di grandi insiemi di dati, al fine di generare conoscenza funzionale al processo decisionale manutentivo. In particolare, i modelli di classificazione, come alberi decisionali, algoritmi K-NN, reti neurali e Support Vector Machine, costituiscono un potente strumento per la diagnostica. Tali modelli, sulla base del PHM, vengono applicati dopo la fase di analisi dei segnali, che consiste principalmente nell’estrazione di features sia nel dominio del tempo che nel dominio tempo-frequenza. Il risultato principale ottenuto consiste nell’aver verificato un incremento delle performance, in termini di accuratezza, della classificazione dello stato di salute di un componente, dovuto all’introduzione dell’analisi nel dominio tempo-frequenza e allo sviluppo dei nuovi metodi “intelligenti”.