IT202000014944A1 - Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo - Google Patents
Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo Download PDFInfo
- Publication number
- IT202000014944A1 IT202000014944A1 IT102020000014944A IT202000014944A IT202000014944A1 IT 202000014944 A1 IT202000014944 A1 IT 202000014944A1 IT 102020000014944 A IT102020000014944 A IT 102020000014944A IT 202000014944 A IT202000014944 A IT 202000014944A IT 202000014944 A1 IT202000014944 A1 IT 202000014944A1
- Authority
- IT
- Italy
- Prior art keywords
- automatic machine
- samples
- process according
- unit
- metric
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 45
- 238000012423 maintenance Methods 0.000 title claims description 44
- 238000004519 manufacturing process Methods 0.000 title claims description 15
- 238000004806 packaging method and process Methods 0.000 title claims description 13
- 238000012545 processing Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 230000007257 malfunction Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000004171 remote diagnosis Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 241000208125 Nicotiana Species 0.000 description 5
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 5
- 235000019504 cigarettes Nutrition 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229920000298 Cellophane Polymers 0.000 description 1
- 206010029216 Nervousness Diseases 0.000 description 1
- 244000299461 Theobroma cacao Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 235000019506 cigar Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Accounting & Taxation (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Description
DESCRIZIONE
dell'invenzione industriale dal titolo:
"Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l?impacchettamento di articoli di consumo."
SETTORE DELLA TECNICA
La presente invenzione ? relativa ad un procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l?impacchettamento di articoli di consumo.
La presente invenzione trova vantaggiosa, ma non esclusiva, applicazione nella manutenzione predittiva di una macchina automatica confezionatrice che produce pacchetti di sigarette, cui la trattazione che segue far? esplicito riferimento senza per questo perdere di generalit?.
ARTE ANTERIORE
Negli impianti produttivi per la lavorazione di articoli di consumo ? stata di recente proposta l'introduzione di svariati sistemi per la manutenzione predittiva, cio? di sistemi che sono in grado di determinare con un certo anticipo quando sar? necessario effettuare un intervento di manutenzione (ad esempio la regolazione, la pulizia o la sostituzione di un componente) in una macchina automatica.
Prevedendo con un certo anticipo quando sar? necessario effettuare gli interventi di manutenzione, risulta possibile programmare in modo coordinato e razionale gli interventi di manutenzione stessi; in questo modo vengono ottimizzati, cio? ridotti al minimo indispensabile, gli interventi di manutenzione, i tempi di fermo macchina, ed il numero di prodotti scartati.
Generalmente, queste previsioni vengono fatte con sistemi particolarmente onerosi in termini di tempo e progettazione. In particolare, vengono generalmente installati, durante la realizzazione della macchina automatica, degli appositi sensori nelle parti di macchina che empiricamente o a seguito di simulazioni avanzate risultano essere quelle pi? a rischio.
In alcuni casi, specialmente per rilevare l?usura di un componente, questi sensori vengono annegati all?interno del componente stesso e generano un avviso o un allarme non appena l?usura ne determina la visibilit?. In altri casi, accelerometri, telecamere e/o termometri vengono installati in prossimit? dei componenti da monitorare per rilevare eventuali variazioni eccessive nella singola caratteristica analizzata.
Tuttavia, tali variazioni di variabili locali pu? dipendere da una molteplicit? di fattori non sempre rilevabili attraverso un apposito sensore. Ad esempio, il consumo pi? rapido di una lama pu? essere dovuto alla presenza di sporco nella zona di taglio, all?allentarsi di una vite, a vibrazioni, al surriscaldarsi di una zona limitrofa, alla variazione dell?inclinazione del taglio o di ingresso del materiale, ecc., oppure dalla combinazione di alcune di queste caratteristiche.
Con i sistemi tradizionali, concentrati unicamente nel rilevare una caratteristica monodimensionale locale e nel definire, sulla base di essa, lo stato corrente di un componente rispetto ad un valore di riferimento (generalmente scalare), ? possibile che venga trascurato il rischio crescente di malfunzionamento di un componente dovuto alla combinazione di pi? fattori. Secondo alcuni di questi sistemi, vengono tra loro paragonate le oscillazioni di segnali predefiniti con quanto rilevato dagli appositi sensori, stabilendo dei valori soglia monodimensionali (ad una o due estremit?) superati i quali viene generato un avviso di necessaria manutenzione. Alcuni sistemi noti non riescono solitamente ad effettuare dei campionamenti ad alta frequenza a causa dell?enorme quantit? di dati da gestire e trasmettere in real time. In altri sistemi noti si ? tentato di risolvere questa problematica effettuando localmente delle medie dei valori rilevati ad alta frequenza e trasmettendo solamente la media ad una unit? di elaborazione dati centrale, riducendo drasticamente la quantit? di dati da gestire, ma anche l?accuratezza del dato, in quanto i singoli valori non vengono considerati dall?unit? di elaborazione centrale e pertanto degli eventuali picchi di valori che potrebbero suggerire l?avvicinarsi di un malfunzionamento non possono essere considerati.
Inoltre, accade sovente che, paragonando le oscillazioni di un segnale di riferimento predefinito con quelle del segnale corrente rilevato dal relativo sensore, non sia possibile effettuare efficientemente delle previsioni manutentive, in quanto il segnale corrente potrebbe avere delle oscillazioni indice di un malfunzionamento ma che non sforano i valori di soglia superiore o inferiore che impostati a partire dal segnale di riferimento.
La presenza di tutti i sensori necessari per realizzare una manutenzione predittiva efficace ed efficiente determina un enorme innalzamento dei costi di realizzazione di una macchina automatica; inoltre, generalmente l?utilizzo di tali sensori non consente di prevedere alcuni dei malfunzionamenti causati sinergicamente da pi? fattori.
Il brevetto US 5852351 descrive una unit? locale di acquisizione di dati dai sensori di una macchina per effettuare una manutenzione predittiva sulla macchina stessa. L?unit? locale di acquisizione viene montata a bordo della macchina per rilevare i segnali provenienti dai sensori e per immagazzinare periodicamente il valore di tali segnali in una memoria. Con tempi prestabiliti, un operatore provvisto di un dispositivo elettronico trasportabile (ad esempio un computer portatile) si porta in prossimit? della macchina per trasferire (preferibilmente mediante una trasmissione ad infrarossi) il contenuto della memoria della unit? locale di acquisizione in una memoria del dispositivo elettronico trasportabile. La modalit? di acquisizione descritta nel brevetto US 5852351 ? di semplice ed economica realizzazione, ma per contro presenta dei costi di gestione elevati in quanto richiede costantemente l'intervento di un operatore che effettui la lettura dei dati immagazzinati nella memoria della unit? locale di acquisizione; inoltre, se la lettura dei dati immagazzinati nella memoria della unit? locale di acquisizione non viene effettuata con una cadenza temporale elevata, il sistema di manutenzione predittiva non riesce a prevedere con un buon margine di anticipo quando sar? necessario effettuare gli interventi di manutenzione.
La domanda di brevetto US 2003046382 descrive un metodo per la diagnosi remota di una macchina automatica, secondo il quale alla macchina automatica e accoppiata una unit? locale di acquisizione e controllo che ? collegata ad una serie di sensori disposti a bordo della macchina automatica stessa. Periodicamente l'unita locale di acquisizione e controllo legge i segnali forniti dai sensori e compara tali segnali con un modello della macchina automatica memorizzato nell'unita locale di acquisizione e controllo stessa; se l'unita locale di acquisizione e controllo rileva una anomalia significativa tra i segnali forniti dai sensori ed il modello della macchina automatica, allora l'unita locale di acquisizione e controllo stessa trasmette le informazioni relative all'anomalia ad un sistema di diagnosi remoto, il quale formula una diagnosi della anomalia e quindi invia una richiesta di intervento tecnico ad un centro di assistenza the pu? effettuare un intervento di manutenzione sulla macchina automatica. Secondo una preferita forma di attuazione descritta dalla domanda di brevetto US 2003046382, il sistema di diagnosi remoto comprende una prima stazione di diagnosi remota (computer o rete di computer) per formulare una prima diagnosi, una ulteriore seconda stazione di diagnosi remota (computer o rete di computer) per formulare una seconda diagnosi se la prima stazione di diagnosi remota non ? stata in grado di formulare una diagnosi, ed una squadra di tecnici per formulare una terza diagnosi se nemmeno la seconda stazione di diagnosi remota ? stata in grado di formulare una diagnosi.
DESCRIZIONE DELLA INVENZIONE
Scopo della presente invenzione ? fornire un procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l?impacchettamento di articoli di consumo che sia almeno parzialmente esente dagli inconvenienti sopra descritti e, nello stesso tempo, sia di semplice ed economica realizzazione.
In accordo con la presente invenzione viene fornito un procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l?impacchettamento di articoli di consumo, secondo quanto rivendicato nelle rivendicazioni allegate. Viene fornita anche una macchina automatica per la produzione o l?impacchettamento di articoli di consumo configurata per realizzare il suddetto procedimento.
Le rivendicazioni descrivono forme di realizzazione preferite della presente invenzione formando parte integrante della presente descrizione.
BREVE DESCRIZIONE DEI DISEGNI
La presente invenzione verr? ora descritta con riferimento ai disegni annessi, che ne illustrano alcuni esempi di attuazione non limitativi, in cui:
? la figura 1 ? una vista prospettica e schematica di una macchina automatica per la produzione di articoli dell?industria del tabacco;
? la figura 2 illustra una matrice di anomalia avente come dimensioni due caratteristiche statistiche in funzione di una metrica di motorizzazione;
? la figura 3 illustra un possibile diagramma relativo ai passaggi generali del procedimento e come possono essere tra loro collegati;
? la figura 4 ? un grafico che illustra un confronto fra una metrica corretta ed una che determina un avviso di necessaria manutenzione successiva; e
? la figura 5 ? un grafico che illustra un confronto fra una serie di caratteristiche statistiche in una configurazione soddisfacente e la stessa serie di caratteristiche statistiche in una configurazione non soddisfacente che determina un avviso di necessaria manutenzione successiva.
FORME DI ATTUAZIONE PREFERITE DELL?INVENZIONE
Nella figura 1 ? illustrata una macchina 1 automatica per la produzione di articoli dell?industria del tabacco, in particolare una macchina 1 automatica confezionatrice per l?applicazione di un sovraincarto trasparente a pacchetti di sigarette.
La macchina 1 automatica comprende diversi elementi atti ad effettuare delle lavorazioni sugli articoli (pacchetti 2 di sigarette nella forma di attuazione illustrata nella figura 1). In particolare, la macchina 1 automatica comprende uno o pi? azionamenti 3 elettrici configurati per comandare almeno un attuatore 4 elettrico. Secondo alcune preferite ma non limitative forme di attuazione, gli attuatori 4 elettrici comprendono dei motori elettrici (in particolare di tipo brushless). Secondo altre forme di attuazione non illustrate, gli attuatori 4 comprendono anche tipi di azionamenti diversi dai motori elettrici (ad esempio cilindri ad attuazione elettrica, ecc.).
In alcuni casi non limitativi, gli azionamenti 3 elettrici sono raggruppati in una zona dedicata della macchina 1 automatica (ad esempio un quadro elettrico generale o dedicato). In alternativa o in aggiunta, alcuni azionamenti 3 elettrici sono disposti in corrispondenza del rispettivo attuatore 4 elettrico. Ad esempio, nel caso di un motore elettrico, il rispettivo azionamento pu? anche essere disposto a bordo dello statore del motore stesso. In altre parole, in alcuni casi non limitativi, gli azionamenti 3 elettrici sono disposti a bordo di una centralina di macchina (che pu? essere o meno la stessa in cui si trova anche l?unit? 5 di elaborazione dati). In alternativa o in aggiunta, alcuni azionamenti 3 elettrici possono essere disposti a bordo del rispettivo attuatore 4 elettrico a cui sono collegati.
In particolare, gli azionamenti 3 elettrici sono configurati anche per rilevare e registrare (ad esempio in supporti di memoria locali interni a ciascun azionamento 3 elettrico) periodicamente ad una frequenza SF di campionamento (sampling frequency), una serie di campioni SS (sampling series - ad esempio ciascun punto del grafico illustrato nella figura 4) relativa almeno ad una metrica MM di motorizzazione dell?almeno un attuatore 4 elettrico. In alcuni casi non limitativi, la metrica MM di motorizzazione comprende (?) l?errore di velocit? di un attuatore 4 elettrico. In altri casi non limitativi, come quello illustrato nella figura 4, la metrica MM comprende (?) l?errore di coppia (o di corrente richiesta) di un attuatore elettrico. In ulteriori casi non limitativi e non illustrati, la metrica MM di motorizzazione comprende (?) una qualunque differenza tra un valore di riferimento ed un valore reale relativo ad un attuatore 4 elettrico e rilevato dal rispettivo azionamento 3 elettrico. Ovviamente, lo stesso azionamento 3 elettrico pu? rilevare e registrare metriche diverse relative allo stesso attuatore 4 elettrico e/o diversi azionamenti 3 elettrici possono registrare metriche tra loro diverse relative a diversi attuatori 4 elettrici.
La macchina 1 automatica comprende inoltre un?unit? 5 di elaborazione dati (in particolare un processore o un PC industriale dedicato), la quale ? configurata per ricevere periodicamente, ad una frequenza TF di trasmissione uguale o inferiore rispetto alla frequenza SF di campionamento, la serie di campioni SS precedentemente rilevati alla frequenza SF di campionamento.
Inoltre, come illustrato nella non limitativa forma di attuazione della figura 1, la macchina 1 automatica comprende un?unit? 6 di memorizzazione locale, configurata per contenere (ovvero per avere immagazzinata al suo interno in lettura e/o scrittura) una matrice AM di anomalia (ad esempio come quella illustrata nella figura 2). In particolare, la matrice AM di anomalia presenta, come dimensioni, almeno due caratteristiche STF statistiche (statistical features) basate sulla metrica MM di motorizzazione rilevata. Pi? precisamente, l?unit? 6 di memorizzazione comprende un?area dedicata ad una base DB di dati utilizzata dall?unit? 5 di elaborazione dati per l?elaborazione e l?aggiornamento di un modello della macchina 1 automatica.
Con la dicitura ?caratteristiche STF statistiche? si intendono tutte le funzioni (funzionalit?) applicabili ad un set di dati, che possono essere definite e calcolate mediante analisi statistiche, in particolare qualunque valore scalare che possa essere definito effettuando delle operazioni statistiche sulla serie di campioni SS relativa alla (almeno) metrica MM di motorizzazione. Esempi di caratteristiche statistiche possono essere: la media, la mediana, la moda, il fattore di forma (Shape Factor) e gli indici di forma (curtosi/kurtosis e asimmetria/skewness). Esempi di metrica dei segnali possono essere: il Clearance (o Clearing) Factor, il fattore di cresta (Crest Factor), l?Impulse Factor, il valore di picco (Peak Value), il valore quadratico medio o valore efficace (RMS value), l?indice di qualit? del segnale SINAD (signal-to-noise and distortion ratio), il rapporto segnale-rumore SNR, lo scarto quadratico medio o standard deviation STD, la distorsione armonica totale o total harmonic distortion THD.
Vantaggiosamente ma non necessariamente, la macchina 1 automatica comprende almeno una unit? 7 locale di acquisizione, la quale ? collegata ad (o determina) un nodo di una rete industriale bidirezionale, digitale e locale (ad esempio del tipo I/O Link ?). Nella non limitativa forma di attuazione della figura 1, al fine di consentire una trasmissione dati di elevata velocit? e qualit?, la rete industriale ? una rete locale cablata (ovvero con collegamenti via cavo) a bordo della macchina 1 automatica.
Nella non limitativa forma di attuazione della figura 1 sono presenti una pluralit? di unit? 7 locali di acquisizione aventi caratteristiche diverse. In particolare, le unit? 7 di acquisizione possono essere un qualunque tipo di sensore configurato per rilevare un valore, preferibilmente analogico, di una metrica LSM di stato locale come una temperatura, una vibrazione, ecc. Le unit? 7 locali di acquisizione sono inoltre configurate per trasmettere le metriche LSM di stato locale rilevate all?unit? 5 di elaborazione dati.
Vantaggiosamente ma non necessariamente, le unit? 7 locali di acquisizione sono disposte ciascuna a bordo di un diverso gruppo 10 meccanico montato sulla macchina 1 automatica. In tal modo, ? possibile monitorare lo stato di ciascun gruppo meccanico ed eventualmente fermare la produzione solamente di una parte di macchina relativa al gruppo 10 da manutenere.
In dettaglio, almeno una unit? 7 locale di acquisizione comprende uno smart tag e/o un sensore IoT (internet of things). In tal modo, ? possibile informare l?unit? 5 di elaborazione dati relativamente alle condizioni di singoli gruppi 10 meccanici (anche mobili, ad esempio un insieme di equipaggi che si muove su un sistema direct drive) identificati tramite le informazioni trasmesse dal relativo smart tag o dal sensore IoT montato a bordo di un gruppo 10 o di un singolo componente della macchina 1 automatica.
Vantaggiosamente ma non necessariamente, la macchina 1 automatica comprende inoltre un?interfaccia 8 di comunicazione (Figura 1) configurata per essere connessa all?unit? 5 di elaborazione dati e per consentire ad essa di trasmettere un programma 9 di manutenzione ad una risorsa manutentiva, ad esempio un operatore O come illustrato nella figura 1 (o un robot manutentore). Nella non limitativa forma di attuazione della figura 1, l?interfaccia 8 di comunicazione ? uno schermo (tattile) configurato per avvisare l?operatore O relativamente alle imminenti operazioni di manutenzione da affrontare. A seguito della trasmissione del programma 9 di manutenzione alla rispettiva risorsa manutentiva, la risorsa (ovvero l?operatore O nel caso della figura 1) effettua delle operazioni manutentive con un ordine e delle tempistiche indicate all?interno del programma 9 di manutenzione.
Secondo un ulteriore aspetto della presente invenzione, viene fornito un procedimento per la manutenzione predittiva di una macchina 1 automatica per la produzione o l?impacchettamento di articoli di consumo.
Il procedimento comprende la fase di rilevare e registrare, periodicamente e ad una frequenza SF di campionamento, (almeno) una serie di campioni SS relativa ad una metrica MM di motorizzazione di almeno un attuatore 4 elettrico, tramite una rispettiva unit? 11 di controllo locale. In particolare, l?unit? 11 di controllo locale comprende almeno un azionamento 3 elettrico configurato per azionare almeno un motore elettrico della macchina 1 automatica o una unit? 7 locale di acquisizione configurata per acquisire periodicamente una serie di campioni SS (ovvero di valori) di una metrica LSM di stato locale e trasferirli periodicamente all?unit? 5 di elaborazione dati.
Vantaggiosamente, il procedimento comprende inoltre la fase di trasmettere, periodicamente e ad una frequenza TF di trasmissione uguale o inferiore (preferibilmente inferiore) rispetto alla frequenza SF di campionamento, la serie di campioni SS registrati all?unit? 5 di elaborazione dati. In dettaglio, la frequenza SF di campionamento ? una frequenza particolarmente elevata rispetto alla frequenza TS di trasmissione poich? dalla rapidit? del campionamento, definita appunto dalla frequenza SF, dipende anche l?accuratezza della rilevazione. Di contro, la frequenza TF di trasmissione determina la rapidit? con la quale l?unit? 5 di elaborazione dati pu? aggiornare la base DB di dati e quindi il modello della macchina 1 automatica.
Vantaggiosamente ma non necessariamente, la frequenza SF di campionamento ? maggiore o uguale a 2 kHz (ovvero il tempo di campionamento corrispondente ? minore o uguale a 500 microsecondi), in uguale o maggiore a 4 kHz (ovvero con un tempo di campionamento minore o uguale a 250 microsecondi). In tal modo, ? possibile effettuare un campionamento intensivo, riducendo fortemente il rischio di perdere qualche informazione che potrebbe indicare una futura anomalia e quindi la necessit? di un intervento manutentivo.
In particolare, la frequenza SF di campionamento corrisponde al cosiddetto tempociclo dell?unit? 11 di controllo, ovvero il tempo di refresh di un sensore nel caso di un?unit? locale di acquisizione o il tempo di chiusura dell?anello di velocit? da parte di un azionamento 3 elettrico.
Vantaggiosamente ma non necessariamente, la frequenza TF di trasmissione ? minore o uguale a 0,2 Hz (ovvero il tempo tra una trasmissione di una serie di campioni SS e la successiva ? maggiore o uguale a 5 secondi), in particolare minore o uguale a 0,1 Hz (ovvero il tempo tra una trasmissione di una serie di campioni SS e la successiva ? maggiore o uguale a 10 sec), pi? in particolare, minore o uguale a 0,067 Hz (ovvero con un tempo di trasmissione maggiore o uguale a 15 sec). In tal modo ? possibile evitare di trasmettere continuamente tutti i dati rilevati all?unit? 5 di controllo in real time e ridurre pertanto il traffico continuo di informazioni in quanto gli stessi dati (le serie di campioni SS) vengono trasmessi a gruppi.
Vantaggiosamente ma non necessariamente, durante la registrazione delle metriche MM di motorizzazione e/o delle metriche LSM di stato locale, la pluralit? di unit? 11 di controllo (ovvero gli azionamenti 3 elettrici e le unit? 7 locali di acquisizione) riceve, ad una frequenza SCF di sincronizzazione, dall?unit? 5 di elaborazione dati, un segnale MS di sincronismo da includere nella registrazione della serie di campioni SS. In particolare, il segnale MS di sincronismo viene incluso ogni ?n? campioni SS registrati. Pi? precisamente, la frequenza SCF di sincronizzazione ? minore rispetto alla frequenza SF di campionamento, ma maggiore rispetto alla frequenza TF di trasmissione.
In particolare, la frequenza SCF di sincronizzazione corrisponde al cosiddetto tempo-ciclo dell?unit? 5 elaborazione dati. In dettaglio l?unit? 5 di elaborazione dati ? un PLC o un PC industriale, e la frequenza SCF di sincronizzazione ? maggiore o uguale a 200 Hz, in particolare maggiore o uguale a 500 Hz, pi? in particolare maggiore o uguale a 1 kHz (kilohertz).
Vantaggiosamente ma non necessariamente, il senale MS di sincronismo ? un segnale analogico (ovvero non digitale, avente la possibilit? di assumere una pluralit? di valori diversi). In tal modo, ? possibile sincronizzare ciascuna serie di campioni SS anche a seguito della trasmissione (a gruppi di dati, data la frequenza TF di trasmissione notevolmente inferiore alla frequenza SF di campionamento). In altre parole, conoscendo il valore numerico (analogico) del segnale MS di sincronismo e l?istante in cui avviene la trasmissione, ? possibile rifasare la serie di campioni SS nel tempo, nonostante gli stessi vengano trasmessi a blocchi (gruppi).
Secondo alcune forme di attuazione non limitative, il segnale MS di sincronismo (ad esempio dal PLC - unit? 5 - all?azionamento 3) ? la posizione di un asse master, fisico o virtuale, della macchina 1 automatica. In particolare, viene considerato come segnale MS di sincronismo il valore istante per istante del cosiddetto dente di sega dell?asse master (virtuale) della macchina 1 automatica. In tal modo, la posizione dell?asse master funge da riferimento per la rifasatura nel tempo della serie di campioni SS trasmessa dalle unit? 11 di controllo all?unit? 5 di elaborazione dati. Grazie al rifasamento tramite il segnale MS di sincronismo, viene ridotta enormemente la mole di dati da trasmettere, in quanto anzich? trasmettere il dato ed il relativo istante di registrazione (come avviene nei sistemi di arte note) vengono trasmessi solamente i valori dei campioni SS e, ogni ?n? campioni, il valore della posizione dell?asse master per la successiva sincronizzazione della serie di campioni SS trasmessa.
In altri casi non limitativi, il segnale MS di sincronismo ? un apposito contatore (crescente o decrescente), il quale viene utilizzato come riferimento master secondo quanto precedentemente descritto.
Vantaggiosamente ma non necessariamente, il procedimento comprende l?ulteriore fase di sincronizzare i campioni SS trasmessi all?unit? 5 di elaborazione dati utilizzando come riferimento il segnale MS di sincronismo per comprendere quale campione SS corrisponde ad un certo istante nel tempo o ad una certa fasatura della macchina 1 automatica. In particolare, l?unit? 5 di elaborazione dati pre-processa ciascuna serie di campioni SS trasmessi sincronizzandoli nel tempo. In particolare, il procedimento comprende inoltre l?ulteriore fase di definire (almeno) un orizzonte TH di tolleranza multidimensionale (in particolare addestrando un modello tramite un classificatore non supervisionato, come spiegato in seguito) all?interno della matrice AM di anomalia (figura 2) avente come dimensioni almeno due caratteristiche STF statistiche (ad esempio scelte nel gruppo consistente di quelle precedentemente descritte) basate sull?almeno una serie di campioni SS rilevata e relativa almeno alla metrica MM di motorizzazione (e/o alla metrica LSM di stato locale) rilevata. In altre parole, le caratteristiche STF statistiche che definiscono le dimensioni della matrice AM di anomalia sono calcolate in funzione della metrica MM di motorizzazione rilevata.
Vantaggiosamente ma non necessariamente, in particolare in aggiunta alla metrica MM di motorizzazione, la serie di campioni SS registrati ? relativa anche ad una metrica LSM di stato locale, riguardante la condizione di uno o pi? gruppi 10 (comprendenti almeno un elemento) meccanici montati a bordo della macchina automatica, in particolare i valori della metrica di stato locale sono rilevati tramite almeno una unit? 7 locale di acquisizione, collegata ad un nodo di una rete industriale bidirezionale, digitale e locale, point-to-point, e cablata (o wireless). In particolare, la metrica LSM di stato locale comprende vibrazioni, pi? precisamente rilevate in pi? dimensioni, e/o temperature e/o accelerazioni.
Nella non limitativa forma di attuazione della figura 2, la matrice AM di anomalia comprende due dimensioni definite da due rispettive caratteristiche STF ed STF? statistiche calcolate relativamente alla metrica MM di motorizzazione (lo stesso si potrebbe fare con una metrica LSM di stato locale); in particolare, l?ascissa indica la caratteristica STF (funzione della metrica MM di motorizzazione) statistica nota come curtosi, mentre l?ordinata indica la caratteristica STF? (anch?essa funzione della stessa metrica MM di motorizzazione). Nel caso di specie, non limitativo, la metrica MM di motorizzazione ? l?errore di coppia.
Secondo alcune preferite ma non limitative forme di attuazione, la metrica MM di motorizzazione ? l?errore di velocit? di un motore elettrico (ad esempio brushless) ed in particolare rilevato dal rispettivo azionamento. In dettaglio, sorprendentemente, utilizzando questa metrica MM di motorizzazione ? possibile rilevare con maggiore facilit? delle anomalie nel comportamento dei motori elettici.
Vantaggiosamente, il procedimento comprende l?ulteriore fase di calcolare, per ciascuna serie di campioni SS rilevati, le almeno due caratteristiche STF statistiche (per definire almeno una matrice multimensionale) in modo da definire la posizione di una condizione AC attuale all?interno della matrice AM di anomalia. In alcuni casi non limitativi, la condizione AC corrisponde ad un singolo campione SS. In particolare, per una serie di campioni SS viene definita una nuvola di condizioni AC attuali consecutive.
In altri casi non limitativi, la posizione della condizione AC attuale ? calcolata in funzione di una pluralit? di campioni SS. In ulteriori casi non limitativi, la posizione della condizione AC attuale all?interno della matrice AM di anomalia e determinata in funzione di un?intera serie di campioni SS rilevati tra una trasmissione e l?altra fra una unit? 11 di controllo locale e l?unit? 5 di elaborazione dati.
Vantaggiosamente ma non necessariamente, e come illustrato nella non limitativa forma di attuazione della figura 2, l?orizzonte TH, TH?, TH?? di tolleranza multidimensionale ? definito tramite un classificatore non supervisionato, in particolare un algoritmo K-means.
Nella non limitativa forma di attuazione della figura 2, il classificatore non supervisionato utilizzato per calcolare (definire) l?orizzonte TH, TH?, TH?? di tolleranza ? il cosiddetto algoritmo K-means per l?analisi partizionale dei gruppi. In particolare, sfruttando tale algoritmo, viene innanzitutto calcolato un centro C, C?, C?? del gruppo (ovvero della serie di campioni SS ricevuti dall?unit? di elaborazione dati) e successivamente, in base alla distribuzione delle condizioni AC attuali (ovvero dei campioni SS) viene determinato l?orizzonte TH, TH?, TH??. In dettaglio, nella porzione centrale della figura 2, sono illustrate 3 ripetizioni del procedimento precedentemente descritto relative a condizioni corrette di funzionamento determinate in funzione di tre serie di campioni SS diverse (successive).
Inoltre, il procedimento comprende una fase di determinare, in funzione della posizione della condizione AC attuale (figura 2) nella matrice AM di anomalia e dell?orizzonte TH di tolleranza multidimensionale, l?imminenza di una manutenzione necessaria, in particolare verificando la presenza di condizioni DC di pericolo in prossimit? o oltre l?orizzonte TH di tolleranza.
Secondo la non limitativa forma di attuazione della figura 2, l?orizzonte TH, TH?, TH?? di tolleranza ? configurato per avere una forma non lineare, in particolare ellittica o circolare.
In alcuni casi non limitativi e non illustrati, l?orizzonte TH di tolleranza ha forme (complesse) diverse in base al tipo di anomalia che si intende rilevare.
Secondo alcune forme di attuazione non limitative e non illustrate, la metrica MM, LSM utilizzata per il calcolo delle caratteristiche STF, STF? statistiche varia al variare dell?anomalia che si intende rilevare.
Vantaggiosamente ma non necessariamente, l?orizzonte TH di tolleranza viene aggiornato periodicamente (si veda la presenza degli orizzonti TH? e TH?? nella figura 2) includendo i valori della serie pi? recente di campioni SS rilevati.
In alcuni casi non limitativi, l?orizzonte TH di tolleranza viene aggiornato in funzione solamente dei valori della serie pi? recente di campioni SS rilevati. In altri casi non limitativi, l?orizzonte TH di tolleranza viene aggiornato in funzione sia dei valori della serie pi? recente di campioni SS rilevati sia dei valori di alcune (o tutte) delle serie precedenti di campioni SS rilevati.
Secondo alcune preferite forme di attuazione non limitative, il procedimento comprende l?ulteriore fase di addestrare un modello della macchina automatica tramite un classificatore non supervisionato, in particolare un algoritmo K-means, utilizzando come input una pluralit? di caratteristiche STF, STF? statistiche (ad esempio alcune delle caratteristiche statistiche precedentemente elencate) risultanti da malfunzionamenti noti.
Secondo alcuni casi non limitativi, la matrice MA di anomalia comprende una pluralit? di gruppi GR, ciascuno dei quali corrisponde allo stato di un diverso elemento meccanico della macchina 1 automatica o di elementi meccanici (o gruppi 10) con caratteristiche strutturali simili.
Nella non limitativa forma di attuazione della figura 2, sono illustrati dei gruppi GR elaborati durante condizioni anomale note possibili e simulate o sperimentate empiricamente, per comprendere come le caratteristiche STF, STF? statistiche (o alcune delle caratteristiche statistiche precedentemente elencate) determinano uno scostamento sulla matrice AM di anomalia delle condizioni AC attuali. In particolare, le anomalie F1, F2 ed F3 sono state determinate variando (aumentando/diminuendo) gli attriti in gioco in un particolare gruppo 10 meccanico e calcolando le caratteristiche STF, STF? statistiche sulla base dell?errore di coppia (metrica MM) rilevato dal rispettivo azionamento. L?anomalia F4, invece, ? stata generata simulando un aumento dei giochi nello stesso gruppo 10 meccanico. In queste prime quattro anomalie ? evidente la variazione in termini della caratteristica STF (in questo caso la curtosi). Inoltre, le anomalie F5 ed F6 sono state generate simulando dei disturbi noti di coppia dall?esterno sul suddetto gruppo 10 meccanico. In aggiunta, le anomalie F7 ed F8 indicano un appesantimento del gruppo 10 con masse diverse. Infine, la nuvola HS di condizioni AC attuali indica una simulazione di un corretto funzionamento trascurando (da laboratorio virtuale) delle condizioni al contorno quali l?umidit?, la temperatura, alcuni attriti, ecc. Queste condizioni e tutte le altre potenziali anomalie note possono essere utilizzate per affinare il modello della macchina 1 automatica e definire una pluralit? di matrici AM di anomalia in funzione di diverse caratteristiche STF statistiche (ad esempio alcune delle caratteristiche statistiche precedentemente elencate) definite in modo da rilevare in maniera efficiente le diverse tipologie di anomalia possibili.
Secondo altri casi non limitativi, o in aggiunta, per ciascun elemento meccanico, o per ciascun gruppo, viene definita un?apposita matrice AM di anomalia avente come dimensioni le caratteristiche STF statistiche che meglio rilevano un discostamento dai valori desiderati per lo specifico elemento o gruppo 10.
Vantaggiosamente ma non necessariamente, il modello della macchina 1 automatica viene aggiornato periodicamente includendo la serie di campioni SS rilevati pi? recente. In particolare, il modello viene aggiornato anche in caso di una anomalia imprevista (o un malfunzionamento imprevisto), definendo sulla matrice AM di anomalia un?area DA di malfunzionamento (Figura 2).
Vantaggiosamente ma non necessariamente, il procedimento comprende l?ulteriore fase di calcolare la velocit? con la quale condizioni AC attuali successive si muovono all?interno della matrice AM di anomalia, in particolare la velocit? con la quale la condizione attuale pi? recente si muove verso l?orizzonte TH di tolleranza. Maggiore ? tale velocit?, pi? rapidamente dovr? essere effettuata la manutenzione preventiva.
Vantaggiosamente ma non necessariamente, il procedimento comprende l?ulteriore fase di schedulare, periodicamente, un programma 9 di manutenzione sulla base della posizione o della velocit? della condizione AC attuale pi? recente all?interno della mappa AM di anomalia. In particolare, il programma 9 di manutenzione viene trasmesso alla risorsa manutentiva (l?operatore O) tramite l?interfaccia 8 di comunicazione (la quale, oltre ad una HMI pu? essere un dispositivo mobile come un PC, un tablet o uno smartphone).
Secondo alcune preferite forme di attuazione non limitative, il procedimento comprende inoltre una fase di trasmettere periodicamente (ed aggiornare ad una frequenza uguale o inferiore alla frequenza di trasmissione) il programma 9 di manutenzione aggiornato ad una risorsa manutentiva, ad esempio, all?operatore O illustrato nella figura 1, la quale provvede ad effettuare le operazioni di manutenzione preventiva nell?ordine stabilito nella schedulazione (periodica) dettagliata dal programma 9 di manutenzione.
Vantaggiosamente ma non necessariamente, la metrica MM di motorizzazione comprende coppia/corrente erogata da un motore e/o errore di inseguimento di un motore e/o percentuale di carico e/o RMS, e/o errore di coppia. Tutte queste metriche MM di motorizzazione vengono in particolare rilevate tramite un oscilloscopio interno all?azionamento 3 elettrico.
Vantaggiosamente ma non necessariamente, il procedimento fin qui descritto pu? essere applicato localmente alla macchina 1 automatica, ovvero senza la necessit? di utilizzare dei sistemi di condivisione dati distribuiti (cloud) e/o senza necessaria connessione ad internet.
Nella non limitativa forma di attuazione della figura 3, sono illustrati dei possibili collegamenti tra alcuni passaggi generali del procedimento. In particolare, tale non limitativa forma di attuazione, uno o pi? azionamenti 3 elettrici e/o una o pi? unit? locali di acquisizione comunicano in maniera bidirezionale con l?unit? 5 di elaborazione dati in quanto inviano le serie di campioni SS registrate e rilevate e ricevono periodicamente (alla frequenza di sincronizzazione) il segnale MS di sincronismo. All?interno dell?unit? 5 di elaborazione dati sono presenti due sotto fasi 20 e 30 distinte. Nella fase 20 l?unit? 5 di elaborazione dati si occupa del convogliamento dei dati verso la base DB di dati. In particolare, nel blocco 21 vengono collezionati i campioni SS ricevuti, nel blocco 22 i campioni SS ricevuti vengono pre-processati in maniera tale da sincronizzarli utilizzando il segnale MS di sincronismo. In seguito, nel blocco 23 vengono estratte (elaborate/calcolate) le caratteristiche STF statistiche necessarie per valutare la presenza di eventuali anomalie. Le caratteristiche STF statistiche estratte (ovvero le condizioni AC attuali all?interno della matrice AM di anomalia) vengono in seguito memorizzate all?interno della base DB di dati (in particolare in maniera unidirezionale, come indicato dalla freccia 19). Nella fase 30, invece, l?unit? 5 di elaborazione dati si occupa della rilevazione di eventuali anomalie. Nel blocco 31 le nuvole di condizioni AC attuali (ad esempio quelle illustrate nella figura 2) vengono classificate (in particolare tramite l?algoritmo K-means o un qualunque tipo di classificatore non supervisionato) determinando l?orizzonte TH di tolleranza (a seguito del centro C) e verificando l?eventuale presenza di condizioni DC di pericolo. In ogni caso, a seguito della classificazione delle informazioni ricevute, nel blocco 32 viene effettuato un training della base di dati, includendo le informazioni appena classificate nel modello della macchina 1 automatica. In questo caso la comunicazione 18 ? bidirezionale in quanto durante la classificazione vengono ricevuti dati dalla base DB dati e durante il training vengono trasmessi alla stessa. ? bidirezionale anche la comunicazione 17 tra la base DB di dati e l?interfaccia 8 di comunicazione, in quanto la risorsa manutentiva, oltre a ricevere il programma 9 di manutenzione pu? comunicare eventuali manutenzioni effettuate consentendo all?unit? 5 di elaborazione dati di aggiornare il detto programma 9.
Nella non limitativa forma di attuazione delle figure 4 e 5, ? illustrato il confronto tra una condizione di funzionamento corretta ed una condizione di funzionamento anomala (che determina quindi una previsione manutentiva). In particolare, nella figura 4 ? illustrato con S1 il valore nel tempo di un errore di coppia (eNm) di una condizione di funzionamento corretta, mentre con il valore S2 ? indicato il valore nel tempo di un errore di coppia (eNm) di una condizione di funzionamento anomala. Utilizzando il procedimento sopra descritto, ? possibile rilevare l?anomalia in quanto essa determina uno scostamento delle condizioni AC (ovvero delle caratteristiche STF, STF? calcolate in funzione dei campioni SS) all?interno della matrice AM di anomalia. Nelle soluzioni di arte nota, questo tipo di anomalia (che sostanzialmente segue l?andamento della condizione corretta, con qualche lieve imprecisione e nervosismo nel segnale) sarebbe stato difficilmente rilevato. In particolare, nella figura 5 ? illustrato l?andamento di una pluralit? di caratteristiche STF statistiche (ad esempio del tipo precedentemente elencato) relative ad una metrica MM di motorizzazione, le quali, nella parte sinistra del grafico (ovvero le caratteristiche da 40 a 51) indicano una condizione di funzionamento corretta, mentre nella parte destra del grafico (ovvero le caratteristiche da 40? a 51?) indicano una condizione di funzionamento anomala. Utilizzando il procedimento fin qui descritto, ? possibile allenare il modello della macchina 1 automatica in maniera tale che l?unit? 5 di elaborazione dati possa determinare, tramite una valutazione multifattoriale (il discostamento di un singolo valore non determina obbligatoriamente un?anomalia), se le condizioni AC attuali si trovano in una zona corretta o in una zona anomala della matrice AM di anomalia.
Vantaggiosamente ma non necessariamente, la macchina 1 automatica ? configurata per svolgere il procedimento precedentemente descritto.
Nella preferita e non limitativa forma di attuazione illustrata nella figura 1, gli articoli dell?industria del tabacco processati dalla macchina 1 automatica sono pacchetti 2 di sigarette. Secondo diverse forme di attuazione non illustrate, la macchina 1 automatica ? di tipo diverso (ad esempio una confezionatrice, una cellofanatrice, oppure una impacchettatrice, una macchina per alimentari, una macchina per articoli assorbenti igienici, ecc.) e quindi gli articoli sono sigarette, spezzoni di filtro, pacchetti di tabacco, sigari, pannolini, cioccolatini, ecc.
Bench? l?invenzione sopra descritta faccia particolare riferimento ad un esempio di attuazione ben preciso, essa non ? da ritenersi limitata a tale esempio di attuazione, rientrando nel suo ambito tutte quelle varianti, modifiche o semplificazioni che risulterebbero evidenti al tecnico esperto del settore, quali ad esempio: l?aggiunta di ulteriori attuatori, l?utilizzo su un altro tipo di macchina dell?industria del tabacco diversa da una confezionatrice, un?anomalia diversa da quelle descritte (ma che comunque potrebbe inficiare la produzione, causando un cosiddetto ?warning?), l?utilizzo di diversi sistemi di trasmissione dati o dispositivi, algoritmi diversi da quelli citati, caratteristiche statistiche diverse da quelle citate, ecc.
La presente invenzione, presenta molteplici vantaggi.
Innanzitutto, consente di aumentare il rendimento delle macchine automatiche a cui ? applicata, in quanto la predittivit? dei malfunzionamenti che determina permette di ridurre drasticamente il numero di interruzioni non previste e non ottimizzate in termini di tempo (come ad esempio la rottura di un componente senza avere gi? a disposizione il relativo componente di ricambio). Tutto ci? comporta una riduzione sensibile dei tempi di ripresa della produzione, con un conseguente aumento della produttivit? della macchina automatica.
Inoltre, la riduzione di queste tempistiche permette ovviamente una proporzionale diminuzione dei costi dovuti alle manutenzioni programmate, le quali, differentemente dai casi in cui si effettua un tipo di manutenzione preventiva (stimando l?usura media di un componente e sostituendolo anche senza apparenti segni di cedimento), permettono di sostituire un componente solamente in caso di reale necessit?, determinando un ovvio risparmio nel consentire di non disporre a magazzino degli elementi di ricambio non necessari, o comunque di valutarne la reale necessit?.
In aggiunta, la presente invenzione consente, grazie al segnale di sincronizzazione ed alla differenza tra la frequenza di campionamento e la frequenza di trasmissione, di effettuare campionamenti ad altissima frequenza gestendo efficacemente la mole di dati, che non deve necessariamente essere trasmessa in real time all?unit? di elaborazione dati. In pi?, la presente invenzione permette di migliorare continuamente la conoscenza e l?adattabilit? della macchina automatica ricalcolando periodicamente i nuovi orizzonti di tolleranza aggiornando il modello della macchina stessa.
Un ulteriore vantaggio della presente invenzione risiede nel fatto di definire un controllo multidimensionale, il quale consente di considerare anche quelle anomalie che, monitorando singolarmente i singoli valori, non sarebbe possibile rilevare. Inoltre, la presente invenzione determina anche una riduzione dei costi dovuta alla possibilit? di sfruttare quanto gi? rilevato da componenti comunque presenti a bordo della macchina (come ad esempio gli azionamenti) ovviando, almeno parzialmente, al bisogno di aggiungere apposita sensoristica altrimenti necessaria per effettuare una manutenzione predittiva.
Infine, eseguendo continuamente il procedimento sopra descritto, ? possibile effettuare la manutenzione predittiva della macchina automatica in modo da ridurre (o addirittura annullare) il numero di articoli semilavorati da scartare a causa di cicli di lavorazione non ultimati dovuti solitamente a guasti improvvisi. Ne consegue un ulteriore aumento della produttivit? ed una sensibile riduzione degli scarti (sprechi) dal punto di vista economico e ambientale.
Claims (18)
1) Procedimento per la manutenzione predittiva di una macchina (1) automatica per la produzione o l?impacchettamento di articoli di consumo; il procedimento comprende le fasi di:
- rilevare e registrare, periodicamente e ad una frequenza (SF) di campionamento, almeno una serie di campioni (SS) relativa almeno ad una metrica (MM) di motorizzazione di almeno un attuatore (4) elettrico, tramite almeno una rispettiva unit? (3, 11) di controllo locale;
- trasmettere, periodicamente e ad una frequenza (TF) di trasmissione, uguale o inferiore rispetto alla frequenza (SF) di campionamento, la serie di campioni (SS) registrati ad un?unit? (5) di elaborazione dati;
- definire almeno un orizzonte (TH) di tolleranza multidimensionale all?interno di una matrice (AM) di anomalia avente come dimensioni almeno due caratteristiche (STF) statistiche basate sull?almeno una serie di campioni (SS) rilevata e relativa almeno alla metrica (MM) di motorizzazione rilevata;
- calcolare, per ciascuna serie di campioni (SS) rilevati, le almeno due caratteristiche (STF) statistiche in modo da definire la posizione di una condizione (AC) attuale all?interno della matrice (AM) di anomalia;
- determinare, in funzione della posizione della condizione (AC) attuale nella matrice (AM) di anomalia e dell?orizzonte (TH) di tolleranza multidimensionale, l?imminenza di una manutenzione necessaria.
2) Procedimento secondo la rivendicazione 1, in cui, durante la registrazione, ciascuna unit? (3, 11) di controllo riceve, ad una frequenza (SFC) di sincronizzazione, un segnale di sincronismo da includere nella registrazione della serie di campioni (SS); in particolare, il segnale di sincronismo viene incluso ogni ?n? campioni (SS); in particolare, la frequenza (SFC) di sincronizzazione ? minore rispetto alla frequenza (SF) di campionamento, ma maggiore rispetto alla frequenza (TF) di trasmissione.
3) Procedimento secondo la rivendicazione 2, in cui il segnale di sincronismo ? la posizione di un asse master, fisico o virtuale, della macchina (1) automatica.
4) Procedimento secondo la rivendicazione 2 o 3, e comprendente l?ulteriore fase di sincronizzare i campioni (SS) trasmessi all?unit? (5) di elaborazione dati utilizzando come riferimento il segnale di sincronismo per comprendere quale campione corrisponde ad un certo istante nel tempo o ad una certa fasatura della macchina (1) automatica.
5) Procedimento secondo una qualunque delle rivendicazioni precedenti, in cui la metrica (MM) di motorizzazione ? l?errore di velocit? di un motore elettrico, in particolare rilevato da un rispettivo azionamento.
6) Procedimento secondo una qualunque delle rivendicazioni precedenti, in cui la serie di campioni (SS) registrati ? relativa anche ad una metrica (LSM) di stato locale, riguardante la condizione di una o pi? utenze montate a bordo della macchina (1) automatica, in particolare i valori della metrica (LSM) di stato locale sono rilevati tramite almeno una unit? (7) locale di acquisizione, collegata ad un nodo di una rete industriale bidirezionale, digitale e locale.
7) Procedimento secondo la rivendicazione 6, in cui la metrica (LSM) di stato locale comprende vibrazioni, in particolare rilevate in pi? dimensioni, e/o temperature e/o accelerazioni.
8) Procedimento secondo una qualunque delle rivendicazioni precedenti, in cui la frequenza (SF) di campionamento ? maggiore o uguale a 2 kHz, in particolare maggiore o uguale a 4 kHz.
9) Procedimento secondo una qualunque delle rivendicazioni precedenti, in cui la frequenza (TF) di trasmissione ? minore o uguale a 0,2 Hz, in particolare minore o uguale 0,1 Hz.
10) Procedimento secondo una qualunque delle rivendicazioni precedenti, in cui l?orizzonte (TH) di tolleranza multidimensionale ? definito tramite un classificatore non supervisionato, in particolare un algoritmo K-means; l?orizzonte (TH) di tolleranza essendo configurato per avere una forma non lineare, in particolare ellittica o circolare; in particolare, l?orizzonte (TH) di tolleranza viene aggiornato periodicamente includendo i valori della serie pi? recente di campioni (SS) rilevati.
11) Procedimento secondo una qualunque delle rivendicazioni precedenti e comprendente l?ulteriore fase di addestrare un modello della macchina (1) automatica tramite un classificatore non supervisionato, in particolare un algoritmo K-means, utilizzando come input una pluralit? di caratteristiche (STF) statistiche risultanti da malfunzionamenti noti; in particolare, il modello viene aggiornato periodicamente includendo la serie di campioni (SS) rilevati pi? recente; in particolare, il modello viene aggiornato anche in caso di un malfunzionamento imprevisto, definendo sulla matrice (AM) di anomalia un?area (AC) di malfunzionamento.
12) Procedimento secondo una qualunque delle rivendicazioni precedenti, e comprendente l?ulteriore fase di calcolare la velocit? con la quale condizioni attuali successive si muovono all?interno della matrice (AM) di anomalia, in particolare la velocit? con la quale la condizione (AC) attuale pi? recente si muove verso l?orizzonte (TH) di tolleranza.
13) Procedimento secondo una qualunque delle rivendicazioni precedenti, e comprendente l?ulteriore fase di schedulare, periodicamente, un programma (9) di manutenzione sulla base della posizione o della velocit? della condizione (AC) attuale pi? recente all?interno della matrice (AM) di anomalia.
14) Procedimento secondo la rivendicazione 13 e comprendente l?ulteriore fase di trasmettere periodicamente il programma (9) di manutenzione aggiornato ad una risorsa manutentiva.
15) Procedimento secondo una qualunque delle rivendicazioni precedenti, in cui la matrice (AM) di anomalia comprende una pluralit? di gruppi, ciascuno dei quali corrisponde allo stato di un diverso elemento meccanico della macchina (1) automatica o di elementi meccanici con caratteristiche strutturali simili; in particolare, per ciascun gruppo viene definito un orizzonte (TH) di tolleranza multidimensionale.
16) Procedimento secondo una qualunque delle rivendicazioni precedenti, in cui la metrica (MM) di motorizzazione comprende coppia/corrente erogata da un motore e/o errore di inseguimento di un motore e/o percentuale di carico e/o RMS.
17) Macchina (1) automatica per la produzione o l?impacchettamento di articoli di consumo; la macchina (1) automatica comprendente:
- uno o pi? di azionamenti (3) elettrici configurati per comandare almeno un attuatore (4) elettrico e per rilevare e registrare, periodicamente ad una frequenza (SF) di campionamento, una serie di campioni (SS) relativa almeno ad una metrica (MM) di motorizzazione dell?almeno un attuatore (4) elettrico;
- una unit? (5) di elaborazione dati, configurata per ricevere periodicamente e ad una frequenza (TF) di trasmissione, uguale o inferiore rispetto alla frequenza (SF) di campionamento, la serie di campioni (SS) registrati alla frequenza (SF) di campionamento;
- una unit? (6) di memorizzazione locale, configurata per contenere una matrice (AM) di anomalia avente come dimensioni almeno due caratteristiche (STF) statistiche basate sull?almeno una metrica (MM) di motorizzazione rilevata; la macchina (1) automatica essendo configurata per svolgere il procedimento secondo le rivendicazioni precedenti.
18) Macchina (1) automatica secondo la rivendicazione 17 e comprendente almeno una unit? (7) locale di acquisizione, collegata ad un nodo di una rete industriale bidirezionale, digitale e locale; in particolare la macchina (1) comprende anche un?interfaccia (8) di comunicazione configurata per essere connessa all?unit? (5) di elaborazione dati e consentire ad essa di trasmettere un programma (9) di manutenzione ad una risorsa manutentiva; in particolare, l?almeno una unit? (7) locale di acquisizione comprende uno smart tag e/o un sensori IoT; in particolare gli azionamenti (3) elettrici sono disposti a bordo di una centralina di macchina o a bordo del rispettivo attuatore (4) elettrico a cui sono collegati; in particolare, la macchina (1) automatica comprende una pluralit? di unit? locali di acquisizione disposte ciascuna a bordo di un diverso gruppo meccanico montato sulla macchina (1) automatica.
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT102020000014944A IT202000014944A1 (it) | 2020-06-23 | 2020-06-23 | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo |
PCT/IB2021/055567 WO2021260595A1 (en) | 2020-06-23 | 2021-06-23 | Method for the predictive maintenance of an automatic machine for manufacturing or packing consumer articles |
KR1020227042109A KR20230027007A (ko) | 2020-06-23 | 2021-06-23 | 소비자 물품을 제조 또는 포장하기 위한 자동 기계를 예측 정비하는 방법 |
JP2022573554A JP2023530858A (ja) | 2020-06-23 | 2021-06-23 | 消費者向け製品を製造又は包装するための自動機械の予測保守のための方法 |
EP21745414.9A EP4168870A1 (en) | 2020-06-23 | 2021-06-23 | Method for the predictive maintenance of an automatic machine for manufacturing or packing consumer articles |
CN202180039333.3A CN115698886A (zh) | 2020-06-23 | 2021-06-23 | 用于制造或包装消费品的自动机器的预测性维护的方法 |
US17/925,301 US20230221715A1 (en) | 2020-06-23 | 2021-06-23 | Method for the predictive maintenance of an automatic machine for manufacturing or packing consumer articles |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT102020000014944A IT202000014944A1 (it) | 2020-06-23 | 2020-06-23 | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo |
Publications (1)
Publication Number | Publication Date |
---|---|
IT202000014944A1 true IT202000014944A1 (it) | 2021-12-23 |
Family
ID=72644580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
IT102020000014944A IT202000014944A1 (it) | 2020-06-23 | 2020-06-23 | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230221715A1 (it) |
EP (1) | EP4168870A1 (it) |
JP (1) | JP2023530858A (it) |
KR (1) | KR20230027007A (it) |
CN (1) | CN115698886A (it) |
IT (1) | IT202000014944A1 (it) |
WO (1) | WO2021260595A1 (it) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021260595A1 (en) | 2020-06-23 | 2021-12-30 | G.D Societa' Per Azioni | Method for the predictive maintenance of an automatic machine for manufacturing or packing consumer articles |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5852351A (en) | 1996-08-22 | 1998-12-22 | Csi Technology | Machine monitor |
US20030046382A1 (en) | 2001-08-21 | 2003-03-06 | Sascha Nick | System and method for scalable multi-level remote diagnosis and predictive maintenance |
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
WO2019186453A1 (en) * | 2018-03-28 | 2019-10-03 | L&T Technology Services Limited | System and method for monitoring health and predicting failure of an electro-mechanical machine |
EP3557354A1 (en) * | 2016-12-14 | 2019-10-23 | Omron Corporation | Control device, control program, and control method |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7552005B2 (en) | 2004-03-16 | 2009-06-23 | Honeywell International Inc. | Method for fault diagnosis of a turbine engine |
CN100555238C (zh) | 2004-12-17 | 2009-10-28 | 韩国标准科学研究院 | 用于真空泵的故障保护和预知维护的精确诊断方法及精确诊断*** |
US10558929B2 (en) | 2016-05-31 | 2020-02-11 | The Boeing Company | Monitored machine performance as a maintenance predictor |
DE102018126501B3 (de) | 2018-10-24 | 2019-12-19 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Wartungsvorhersage von Komponenten einer Brennkraftmaschine mittels Körperschallsensor |
CN110696049B (zh) | 2019-11-04 | 2023-03-24 | 常州机电职业技术学院 | 一种码垛机器人预测性维护方法 |
IT202000014944A1 (it) | 2020-06-23 | 2021-12-23 | Gd Spa | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo |
-
2020
- 2020-06-23 IT IT102020000014944A patent/IT202000014944A1/it unknown
-
2021
- 2021-06-23 KR KR1020227042109A patent/KR20230027007A/ko unknown
- 2021-06-23 WO PCT/IB2021/055567 patent/WO2021260595A1/en unknown
- 2021-06-23 US US17/925,301 patent/US20230221715A1/en active Pending
- 2021-06-23 JP JP2022573554A patent/JP2023530858A/ja active Pending
- 2021-06-23 CN CN202180039333.3A patent/CN115698886A/zh active Pending
- 2021-06-23 EP EP21745414.9A patent/EP4168870A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5852351A (en) | 1996-08-22 | 1998-12-22 | Csi Technology | Machine monitor |
US20030046382A1 (en) | 2001-08-21 | 2003-03-06 | Sascha Nick | System and method for scalable multi-level remote diagnosis and predictive maintenance |
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
EP3557354A1 (en) * | 2016-12-14 | 2019-10-23 | Omron Corporation | Control device, control program, and control method |
WO2019186453A1 (en) * | 2018-03-28 | 2019-10-03 | L&T Technology Services Limited | System and method for monitoring health and predicting failure of an electro-mechanical machine |
Non-Patent Citations (1)
Title |
---|
VEGARD FLOVIK: "How to use machine learning for anomaly detection and condition monitoring | by Vegard Flovik | Towards Data Science", 31 December 2018 (2018-12-31), pages 1 - 14, XP055783047, Retrieved from the Internet <URL:https://towardsdatascience.com/how-to-use-machine-learning-for-anomaly-detection-and-condition-monitoring-6742f82900d7> [retrieved on 20210308] * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021260595A1 (en) | 2020-06-23 | 2021-12-30 | G.D Societa' Per Azioni | Method for the predictive maintenance of an automatic machine for manufacturing or packing consumer articles |
Also Published As
Publication number | Publication date |
---|---|
KR20230027007A (ko) | 2023-02-27 |
EP4168870A1 (en) | 2023-04-26 |
JP2023530858A (ja) | 2023-07-20 |
US20230221715A1 (en) | 2023-07-13 |
CN115698886A (zh) | 2023-02-03 |
WO2021260595A1 (en) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kiangala et al. | Initiating predictive maintenance for a conveyor motor in a bottling plant using industry 4.0 concepts | |
US11241811B2 (en) | Method and device for visualizing or evaluating a process state | |
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及*** | |
JP6443312B2 (ja) | 管理システム | |
US9869993B2 (en) | System and method for monitoring and/or diagnosing operation of a production line of an industrial plant | |
EP2959347B1 (en) | A method and an apparatus for predicting the condition of a machine or a component of the machine | |
WO2020129545A1 (ja) | 制御装置およびプログラム | |
WO2015057974A2 (en) | Remote machine monitoring systems and services | |
EP1436786A2 (en) | Packaging systems, apparatus and method therefor | |
AU2002330068A1 (en) | Packaging systems, apparatus and method therefor | |
EP2816431A2 (en) | Information platform for industrial automation stream-based data processing | |
EP3100122A1 (de) | Verfahren zum bereitstellen von zuverlässigen sensordaten | |
WO2014117967A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
CN116316613B (zh) | 电力设备运行监测方法、***、电子设备及存储介质 | |
WO2020085077A1 (ja) | 制御装置および制御プログラム | |
IT202000014944A1 (it) | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo | |
JP5023963B2 (ja) | エネルギー管理装置、パターン修正装置、及びプログラム | |
US20210115626A1 (en) | Method for operating a papermaking machine, drive system and papermaking machine | |
IT201800001507A1 (it) | Sistema per gestire e monitorare una pluralita' di macchine utensili a controllo numerico | |
JP2021192252A (ja) | マスタースレーブ制御システム、およびマスタースレーブ制御システムの制御方法 | |
IT201900007581A1 (it) | Procedimento per il ripristino dello stato funzionale di una macchina automatica per la produzione o l’impacchettamento di prodotti di consumo | |
IT201800002861A1 (it) | Sistema per la gestione di criticità in un impianto produttivo di articoli da fumo. | |
Goh et al. | Machine learning based predictive maintenance system for industrial chain conveyor system | |
KR19980702691A (ko) | 생산 시스템의 제어 방법 | |
IT201800007439A1 (it) | Sistema innovativo per il controllo dei processi di stampa avanzata |