Sensori e intelligenza artificiale ascoltano la salute dei motori industriali
Ci sono oltre 300 milioni di motori elettrici industriali in funzione 24 ore su 24, 7 giorni su 7, per supportare le linee di produzione in tutto il mondo. Consumano circa il 70 % della potenza erogata a impianti industriali. Sfortunatamente, si rompono facilmente: un motore industriale su otto si rompe ogni anno. Il guasto del motore porta a riparazioni inutili, che costano centinaia di migliaia di euro all’ora di fermo macchina non pianificato. Può anche portare all’improduttività della forza lavoro, materie prime avariate e in ultimo clienti insoddisfatti. Inoltre, i motori difettosi consumano più energia poiché l’efficienza elettrica diminuisce nel tempo con l’usura. Sensori non invasivi e algoritmi di apprendimento automatico per un migliore monitoraggio dello stato di salute dei motori industriali Il progetto Motorlisten, finanziato dall’UE, ha risolto questo problema utilizzando un sensore di riconoscimento acustico incorporato, l’analisi della frequenza e l’intelligenza artificiale (IA). «Utilizzando questi strumenti, abbiamo trovato una soluzione che rileva i guasti e anticipa la rottura dei motori», afferma Paolo Samontanez, responsabile tecnologico del progetto OneWatt. «Ciò aiuta gli impianti industriali a pianificare in modo efficiente la manutenzione, a prolungare la durata delle attività, a migliorare l’efficienza operativa e a ridurre i tempi di inattività non programmati». Il sistema di manutenzione predittiva non invasivo, senza contatto, rileva e prevede guasti fisici nei macchinari. Non solo informa il personale di manutenzione quando si verifica un guasto, ma anche esattamente come, dove e quando si verificherà. Il sistema emula un meccanico esperto che può identificare i guasti semplicemente capendo i segnali di allarme, come suoni e brontolii provenienti dai motori. Poiché utilizza l’intelligenza artificiale e un set di dati infinitamente più grande di un essere umano, l’innovazione è molto più affidabile di quanto un tecnico o un rivenditore qualificato potrebbero mai essere. Ciò ottimizzerà il lavoro di manutenzione e ridurrà al minimo i tempi di fermo, due priorità principali per le imprese industriali e le aziende di servizi pubblici. Inoltre, il sistema garantisce che i motori funzionino nel modo più efficiente, riducendo così il consumo di energia. I partner del progetto hanno identificato e stabilito i parametri necessari per raggiungere un’accuratezza del 99,99 %. Hanno quantificato obiettivi e metodologie progettate per ottenere una maggiore durata delle attività, un minore consumo di energia e una maggiore affidabilità delle previsioni. Dai dati raccolti, «il nostro sistema è in grado di rilevare i primi otto guasti motore, statisticamente parlando», osserva Samontanez. Il team Motorlisten ha valutato la fattibilità commerciale e il potenziale della tecnologia per i produttori industriali e le ditte di servizi pubblici, i due principali clienti target. Ha modificato l’intelligenza artificiale e l’hardware del sistema per soddisfare le esigenze di questi segmenti di mercato. «Il nostro sistema può essere adattato alla maggior parte dei motori, indipendentemente dal modello, dalle dimensioni, dall’età, dalla marca o dal produttore», spiega Samontanez. «Lo adattiamo al vostro sistema, non viceversa». La commercializzazione è ben avviata, avendo già assicurato diversi contratti con aziende di pubblica utilità, beni di largo consumo e industrie di manutenzione industriale. I membri del team continuano a lavorare per migliorare ulteriormente il sistema. «Grazie al sistema Motorlisten, gli impianti industriali saranno in grado di pianificare la manutenzione in modo più efficace, ridurre le spese sull’elettricità grazie a motori più efficienti, prolungare la durata dei motori e in definitiva ottimizzare le potenziali entrate riducendo i tempi di inattività non programmati», conclude Samontanez.
Parole chiave
Motorlisten, motori, guasti, tempi di fermo, impianti industriali, motore industriale, motore elettrico, sistema di manutenzione predittiva
