{"id":2358,"date":"2021-01-21T11:34:16","date_gmt":"2021-01-21T11:34:16","guid":{"rendered":"https:\/\/controlloemisura.com\/?p=2358"},"modified":"2025-06-24T15:37:08","modified_gmt":"2025-06-24T15:37:08","slug":"quando-il-drive-funziona-come-un-sensore","status":"publish","type":"post","link":"https:\/\/www.publiteconline.it\/controlloemisura\/quando-il-drive-funziona-come-un-sensore\/","title":{"rendered":"Quando il drive funziona come un sensore"},"content":{"rendered":"\n

Lo smart condition monitoring permette di monitorare in tempo reale le condizioni di funzionamento della macchina, senza dover aggiungere sensori: sono i drive stessi a funzionare come sensori. Lenze<\/a> ci illustra il suo approccio e le sue soluzioni<\/h2>\n\n\n\n

Per i costruttori di macchine, applicazioni come la manutenzione predittiva e la modellizzazione basate sull\u2019intelligenza artificiale (AI) sono particolarmente interessanti. Molti per\u00f2 non hanno le idee chiare su quali eventi possono essere predetti. Il loro principale interesse infatti \u00e8 monitorare le condizioni di lavoro di macchine e processi. Attraverso la tecnologia di Lenze \u00e8 possibile realizzare un\u2019applicazione di condition monitoring che offre ampie informazioni sullo stato di salute di macchine e impianti, senza il bisogno di aggiungere ulteriori sensori.<\/p>\n\n\n\n

Qual \u00e8 la differenza rispetto alla manutenzione predittiva<\/h3>\n\n\n\n

Condition monitoring e manutenzione predittiva sono spesso considerati sinonimi, ma in realt\u00e0 sono due concetti molto diversi. La manutenzione predittiva rappresenta la predizione di eventi o della probabilit\u00e0 che si verifichino. Ad esempio, permette di determinare quando la probabilit\u00e0 di un guasto di un riduttore nelle successive 50 ore di funzionamento supera il 90%. Questo tipo di predizione pu\u00f2 essere utile per pianificare la sostituzione del componente prima che la macchina o la linea si fermino a causa della sua rottura. Il condition monitoring invece opera in una fase precedente, fornendo un\u2019accurata descrizione dello stato di funzionamento a partire dai dati disponibili. Per generare informazioni significative a partire dai dati grezzi, \u00e8 quindi necessaria una comprensione profonda della macchina e dei processi. Analisi basate sul machine learning e sull\u2019intelligenza artificiale possono consentire di identificare anomalie con maggiore rapidit\u00e0.<\/p>\n\n\n\n

Non servono componenti aggiuntivi<\/h3>\n\n\n\n

Il fatto che il valore aggiunto del condition monitoring non dipenda dall\u2019impiego di ulteriori componenti aumenta fortemente il ritorno sull\u2019investimento per gli OEM. In particolare, non servono altri sensori. L\u2019approccio di Lenze infatti permette di estrarre informazioni addizionali dalle sorgenti che sono gi\u00e0 disponibili. L\u2019azienda mette a disposizione algoritmi gi\u00e0 testati per diverse applicazioni, e aiuta gli ingegneri a trasformare la loro conoscenza del processo e delle macchine in un modello di condition monitoring in grado di migliorare disponibilit\u00e0 ed efficienza dell\u2019impianto.<\/p>\n\n\n\n

\"Il
Il controllore\nc750, dotato di risorse di calcolo dedicate all\u2019analisi dati.<\/figcaption><\/figure><\/div>\n\n\n\n

Due possibili approcci differenti nell\u2019esempio applicativo di un robot<\/h3>\n\n\n\n

Lenze ha realizzato un modulo-macchina basato sulla gestione di un robot a due assi per dimostrare due possibili approcci al condition monitoring.
Il primo approccio si basa sulla realizzazione di un modello descrittivo che consente di derivare in modo matematico i valori di grandezze significative della macchina (correnti, velocit\u00e0 e via dicendo) e confrontarli con quelli effettivamente misurati in campo. Lo scostamento oltre una certa tolleranza dei valori misurati rispetto a quelli calcolati pu\u00f2 indicare un malfunzionamento.
Il secondo approccio invece si fonda sull\u2019analisi delle basi di dati. Un algoritmo apprende a partire da una base dati storica il comportamento del sistema e la correlazione di vari parametri come velocit\u00e0, accelerazione, coppia, posizione e assorbimento di corrente. I valori misurati sul campo sono quindi confrontati con quelli derivati dall\u2019algoritmo di apprendimento, in modo da evidenziarne gli scostamenti. Il modulo-macchina realizzato da Lenze consente di simulare fenomeni come l\u2019aumento di attrito sulla puleggia o il logoramento della cinghia di trasmissione. Queste anomalie possono essere individuate a partire dai dati di corrente e coppia, sia in termini di scostamenti assoluti, sia tramite l\u2019analisi in frequenza.
Il condition monitoring pu\u00f2 generare allarmi a partire da entrambe le condizioni, e mostrare le cause su un cruscotto riassuntivo di informazioni.<\/p>\n\n\n\n

L\u2019utilizzo di soluzioni cloud<\/h3>\n\n\n\n

I due approcci al condition monitoring differiscono non solo in termini di approccio alla modellizzazione, ma anche dal punto di vista di come sono elaborati i dati. La valutazione basata su modelli descrittivi di prassi viene eseguita direttamente sul PLC, in quanto non \u00e8 onerosa dal punto di vista computazionale. L\u2019utilizzo di machine learning e intelligenza artificiale per la realizzazione di modelli a partire da basi di dati richiede invece l\u2019impiego di soluzioni cloud. Il portafoglio di soluzioni di Lenze lascia agli OEM ampia libert\u00e0 di scelta. \u00c8 possibile implementare modelli descrittivi per il condition monitoring su una vasta gamma di controllori, inclusi i potenti c750, dotati di risorse di calcolo dedicate all\u2019analisi dati. Oppure si possono trasferire i dati da analizzare in cloud attraverso il gateway x500. L\u2019x500, integrato nella x4 platform di Lenze, mette a disposizione una piattaforma pronta all\u2019uso che offre oltre al condition monitoring anche manutenzione da remoto e una pratica soluzione di asset management.<\/p>\n","protected":false},"excerpt":{"rendered":"

Lo smart condition monitoring permette di monitorare in tempo reale le condizioni di funzionamento della macchina, senza dover aggiungere sensori: sono i drive stessi a funzionare come sensori. Lenze ci illustra il suo approccio e le sue soluzioni Per i costruttori di macchine, applicazioni come la manutenzione predittiva e la modellizzazione basate sull\u2019intelligenza artificiale (AI) …<\/p>\n","protected":false},"author":4,"featured_media":2361,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_seopublitec_title":"","_seopublitec_meta_desc":"","_seopublitec_keyphrases":"","_seopublitec_canonical":"","_seopublitec_noindex":false,"_seopublitec_nofollow":false,"_seopublitec_og_title":"","_seopublitec_og_desc":"","_seopublitec_twitter_title":"","_seopublitec_twitter_desc":"","_seopublitec_twitter_image":"","_seopublitec_og_image":"","_seopublitec_twitter_card":"","_seopublitec_cornerstone":false,"_seopublitec_score":""},"categories":[27],"tags":[842,1180,803,1155,1041,740],"class_list":["post-2358","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologie","tag-ai","tag-condition-monitoring","tag-intelligenza-artificiale","tag-lenze","tag-manutenzione-predittiva","tag-sensore"],"openstation_lock":null,"openstation_contributors":[],"openstation_attached_media":[2361,2360],"_links":{"self":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/2358","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/comments?post=2358"}],"version-history":[{"count":2,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/2358\/revisions"}],"predecessor-version":[{"id":2362,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/2358\/revisions\/2362"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media\/2361"}],"wp:attachment":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media?parent=2358"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/categories?post=2358"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/tags?post=2358"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}