Diagnosis methods for predictive maintenance of rolling bearings in an Industry 4.0 scenario

Il cuscinetto è uno dei componenti più utilizzati in ambito industriale, poiché la sua funzione di riduzione dell'attrito è richiesta in differenti sezioni all'interno di un macchinario, sopratutto in vicinanza di elementi rotativi. Tuttavia, l'onere di essere una pedina fondamentale nell'immensa scacchiera della catena di produzione si contrappone al dovere di trovarsi sempre nelle migliori condizioni possibili, dal momento che su di esso potrebbe gravare il risultato operativo di una azienda. La rottura di uno, o più, di questi elementi potrebbe portare, infatti, a durature interruzioni della fabbricazione, generando un impatto economico negativo non indifferente per l'azienda stessa. Per di più un singolo cuscinetto, durante la fase di fine vita, emette vibrazioni ad elevata ampiezza che potrebbero portare a ledere anche la componentistica meccanica intorno, con il rischio di creare dei seri malfunzionamenti a catena. Tenendo in considerazione sia la quantità di capitale necessario per l'acquisto di un macchinario di questa portata, e sia il numero di anni richiesto per un suo ammortamento a bilancio, si rende sempre più necessario mettere a punto strategie profittevoli che permettano di controllare l'andamento della degradazione di questi componenti. La manutenzione predittiva ha lo scopo di massimizzare la resa di un macchinario attraverso l'interruzione della produzione solamente quando è necessario. Questo è possible grazie alla possibilità di conoscere, istante per istante, lo stato di un componente, permettendo al gruppo tecnico di organizzare l'approvvigionamento del materiale di consumo solo quando necessario, e di operare con tempestività e precisione direttamente sulla zona interessata dal malfunzionamento, riducendo al minimo il tempo sprecato nella ricerca del guasto. Tale strategia porterebbe allo sfruttamento totale della vita utile del cuscinetto che, nel lungo termine, garantirebbe enormi vantaggi, economici ed ecologici. Questa modalità di intervento è una delle possibili sfaccettature dell'industria 4.0, che ha come target principale la digitalizzazione delle catene di montaggio attraverso l'installazione di una rete di sensori che possa tenere sotto controllo l'operatività dei vari macchinari. Gli scopi di questa tesi sono stati definiti per inserirsi in questo contesto di sviluppo industriale, cercando di collegare il mondo della diagnosi di un guasto al mondo della prognosi e della manutenzione predittiva. Molti dei metodi che rappresentano lo stato dell'arte per la rilevazione di una rottura all'interno di un cuscinetto possono essere trasposti nella loro versione predittiva, invece di essere visti come dei compartimenti a tenuta stagna che non possono essere impiegati in altre applicazioni. Ai suddetti metodi, comunque, vengono affiancate delle tecniche che sono proprie della prognosi, in modo tale da definire nel complesso un sistema ibrido che possa sfruttare al meglio i vantaggi delle due modalità di approccio. Il tutto, infine, viene racchiuso all'interno di un modello di machine learning prima, e di deep learning poi, che restituisca come uscita la stima della vita residua del cuscinetto o lo stato della sua salute. In conclusione, una piccola sezione verrà dedicata ad una generale analisi costi-benefici, in maniera tale da poter porre le basi di partenza di una possibile strategia di investimento da parte di un'azienda.