{"id":3252,"date":"2022-01-26T11:05:25","date_gmt":"2022-01-26T11:05:25","guid":{"rendered":"https:\/\/www.publiteconline.it\/controlloemisura\/?p=3252"},"modified":"2025-06-24T15:37:08","modified_gmt":"2025-06-24T15:37:08","slug":"gli-oem-diventano-data-scientist","status":"publish","type":"post","link":"https:\/\/www.publiteconline.it\/controlloemisura\/gli-oem-diventano-data-scientist\/","title":{"rendered":"Gli OEM diventano data scientist"},"content":{"rendered":"\n

Grazie allo smart condition monitoring, \u00e8 possibile monitorare in tempo reale le condizioni di funzionamento della macchina senza aggiungere ulteriori sensori. Scopriamo insieme a Lenze quali sono i molteplici benefici di questa applicazione per gli OEM<\/h2>\n\n\n\n

La manutenzione predittiva e la modellizzazione basate sull\u2019intelligenza artificiale (AI) sono applicazioni che risultano particolarmente interessanti per i costruttori di macchine. Molte aziende per\u00f2 non hanno le idee chiare su quali eventi possano essere predetti. Il loro principale interesse infatti \u00e8 monitorare le condizioni di lavoro di macchine e processi. Oggi, grazie alla tecnologia di Lenze, \u00e8 possibile realizzare un\u2019applicazione di condition monitoring che offra ampie informazioni sullo stato di salute di macchine e impianti senza dover aggiungere ulteriori sensori.<\/p>\n\n\n\n

Differenze fra condition monitoring e manutenzione predittiva<\/h3>\n\n\n\n

Condition monitoring e predictive maintenance sono termini spesso considerati erroneamente sinonimi, perch\u00e9 sono in realt\u00e0 due concetti ben diversi fra loro. La manutenzione predittiva rappresenta la predizione di eventi, o della probabilit\u00e0 che degli eventi si verifichino. Ad esempio, consente di determinare quando la probabilit\u00e0 di un guasto di un riduttore nelle prossime cinquanta ore di funzionamento supera il 90%. Questo tipo di predizione pu\u00f2 essere utilizzato in modo 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. Tutto ci\u00f2 richiede una comprensione profonda della macchina e dei processi, per generare informazioni significative a partire da quelli che sono i dati grezzi. Analisi basate sul machine learning e sull\u2019intelligenza artificiale possono permettere di identificare anomalie con maggiore rapidit\u00e0.<\/p>\n\n\n\n

Bastano le sorgenti gi\u00e0 disponibili per avere le informazioni necessarie<\/h4>\n\n\n\n

Il valore aggiunto offerto dal condition monitoring non dipende dall\u2019impiego di ulteriori componenti: in questo modo per gli OEM si accelera notevolmente il ritorno sull\u2019investimento. In particolare, come abbiamo visto non \u00e8 necessario aggiungere sensori. L\u2019approccio di Lenze infatti consente 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

\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n\n\n\n
\"\"<\/figure>\n<\/figure>\n\n\n\n

L\u2019esempio di un robot a due assi: ecco i due possibili approcci<\/h3>\n\n\n\n

Vediamo ora un esempio concreto per capire meglio le potenzialit\u00e0 di questa applicazione. 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 sullo sviluppo di un modello descrittivo che permette di derivare in modo matematico i valori di grandezze significative della macchina (come ad esempio correnti, velocit\u00e0 e altro ancora), e di confrontarli con quelli effettivamente misurati in campo. Lo scostamento dei valori misurati rispetto a quelli calcolati oltre una certa tolleranza pu\u00f2 indicare un malfunzionamento.<\/p>\n\n\n\n

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 eventuali scostamenti. Grazie al modulo-macchina realizzato da Lenze, \u00e8 possibile simulare fenomeni come ad esempio 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 quali sono le cause su un cruscotto riassuntivo di informazioni.<\/p>\n\n\n\n

C\u2019\u00e8 ampia libert\u00e0 di scelta: controllore o soluzioni cloud?<\/h3>\n\n\n\n

I due approcci al condition monitoring differiscono non solo in termini di approccio alla modellizzazione, ma anche per quanto riguarda il modo in cui vengono elaborati i dati. La valutazione basata su modelli descrittivi normalmente viene eseguita direttamente sul PLC, in quanto non \u00e8 onerosa dal punto di vista computazionale. L\u2019utilizzo del machine learning e dell\u2019intelligenza artificiale per la realizzazione di modelli a partire da basi di dati, richiede invece l\u2019utilizzo di soluzioni cloud. Il portafoglio di soluzioni offerto da Lenze lascia agli OEM piena libert\u00e0 di scelta. \u00c8 possibile implementare modelli descrittivi per il condition monitoring su un\u2019ampia gamma di controllori, inclusi i potenti c750, dotati di risorse di calcolo dedicate all\u2019analisi dati. In alternativa si possono trasferire i dati da analizzare in cloud attraverso il gateway x500. Questo prodotto, integrato nella x4 platform di Lenze, mette a disposizione degli OEM una piattaforma pronta all\u2019uso che offre non solo condition monitoring, ma anche manutenzione da remoto e una pratica soluzione di asset management.<\/p>\n\n\n\n

Conclusione<\/h3>\n\n\n\n

Una soluzione efficiente di condition monitoring sfrutta appieno l\u2019interpretazione di informazioni esistenti, senza richiedere l\u2019aggiunta di sensori addizionali: i drive stessi funzionano come sensori. Grazie al suo ricco portafoglio di soluzioni di automazione (che include hardware, software e servizi cloud) e all\u2019esperienza maturata sul campo da parte dei suoi ingegneri, Lenze \u00e8 in grado di offrire un supporto completo per l\u2019interpretazione dei dati. Le soluzioni dell\u2019azienda sono intuitive e pronte all\u2019uso, mettendo gli OEM in condizione di diventare data scientist per le macchine che realizzano. <\/p>\n","protected":false},"excerpt":{"rendered":"

Grazie allo smart condition monitoring, \u00e8 possibile monitorare\u00a0in tempo reale le condizioni di funzionamento della macchina senza aggiungere ulteriori sensori. Scopriamo insieme a Lenze quali sono\u00a0i molteplici benefici di questa applicazione per gli OEM<\/p>\n","protected":false},"author":4,"featured_media":3253,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_seopublitec_title":"","_seopublitec_meta_desc":"Grazie allo smart condition monitoring, \u00e8 possibile monitorare\u00a0in tempo reale le condizioni di funzionamento della macchina senza aggiungere ulteriori sensori. Scopriamo insieme a Lenze quali sono\u00a0i molteplici benefici di questa applicazione per gli OEM","_seopublitec_keyphrases":"OEM","_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":"{\"overall\":\"ok\",\"keyphrases\":{\"OEM\":\"good\"},\"readability\":\"poor\"}"},"categories":[27],"tags":[1180,1155],"class_list":["post-3252","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologie","tag-condition-monitoring","tag-lenze"],"openstation_lock":null,"openstation_contributors":[],"openstation_attached_media":[3253,3254,3255,3256],"_links":{"self":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/3252","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=3252"}],"version-history":[{"count":2,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/3252\/revisions"}],"predecessor-version":[{"id":3260,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/posts\/3252\/revisions\/3260"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media\/3253"}],"wp:attachment":[{"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/media?parent=3252"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/categories?post=3252"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.publiteconline.it\/controlloemisura\/wp-json\/wp\/v2\/tags?post=3252"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}