L’esplosione dei dati alla base del monitoraggio dei macchinari moderni

Gli impianti industriali raccolgono più dati sulle vibrazioni che mai. Con l’espansione dei programmi di manutenzione predittiva nei settori della generazione elettrica, del petrolio e del gas, manifatturiero e dei processi industriali, i sensori ad alta frequenza generano continuamente enormi flussi di informazioni diagnostiche provenienti da apparecchiature rotanti.

Quello che un tempo consisteva in ispezioni manuali periodiche si è evoluto nel monitoraggio delle condizioni in tempo reale, supportato dall’edge computing, da analisi intelligenti e dall’acquisizione continua dei dati dei sensori. La sfida non consiste più semplicemente nel misurare le vibrazioni, ma nell’archiviare, gestire e recuperare enormi volumi di dati con una rapidità sufficiente a supportare diagnosi accurate.

Per gli ingegneri dell’affidabilità, un’archiviazione inefficiente dei dati può diventare pericolosa quanto la mancata individuazione di un guasto meccanico. Se la cronologia delle forme d’onda critiche scompare o il recupero diventa troppo lento, la manutenzione predittiva perde gran parte del suo valore operativo.

Un’infrastruttura affidabile per l’archiviazione dei dati è diventata un requisito fondamentale per i moderni sistemi di manutenzione predittiva.

Perché i dati grezzi sulle vibrazioni sono ancora importanti

Molti operatori industriali cercano di ridurre i costi di archiviazione salvando solo metriche riepilogative. Sebbene questo approccio riduca i requisiti infrastrutturali, può anche eliminare dettagli diagnostici preziosi, che diventano fondamentali durante le indagini sui guasti.

Le forme d’onda grezze delle vibrazioni preservano la struttura completa del segnale acquisito da accelerometri, sonde di prossimità e sensori di velocità. Ciò consente agli analisti di riesaminare in seguito i dati storici utilizzando algoritmi migliorati o metodi diagnostici avanzati che potrebbero non essere esistiti al momento della prima acquisizione dei dati.

Nel monitoraggio delle turbine e nelle applicazioni con macchinari rotanti di grande valore, conservare gli archivi dei segnali grezzi è particolarmente importante. Gli impianti che utilizzano sistemi come le piattaforme di protezione dei macchinari Bently Nevada 3500 spesso dipendono dalla conservazione delle forme d’onda a lungo termine per identificare sottili schemi di deterioramento prima che si verifichi un guasto catastrofico.

Le analisi avanzate dipendono dall’accesso al segnale completo

I dati grezzi supportano un’ampia gamma di tecniche di analisi delle vibrazioni che le sole metriche pre-elaborate non sono in grado di riprodurre completamente. Gli ingegneri utilizzano queste forme d’onda per l’analisi tramite trasformata rapida di Fourier, il rilevamento dell’inviluppo, gli studi modali, l’analisi degli eventi transitori e la diagnostica dei guasti dei cuscinetti.

L’analisi FFT rimane particolarmente importante perché rivela la composizione in frequenza del comportamento dei macchinari rotanti. Disallineamenti, squilibri, allentamenti, problemi di ingranamento e difetti dei cuscinetti generano ciascuno firme di frequenza caratteristiche, che possono essere valutate accuratamente solo a partire da dati delle forme d’onda ad alta risoluzione.

I sistemi di monitoraggio continuo dei macchinari generano oggi volumi di dati che mettono alla prova le architetture di archiviazione tradizionali.

Perché la pre-elaborazione non può essere ignorata

Sebbene i dati grezzi siano preziosi, archiviare ogni forma d’onda senza limiti di tempo crea requisiti infrastrutturali enormi. Le frequenze di campionamento elevate possono saturare rapidamente i sistemi di archiviazione tradizionali, soprattutto quando centinaia o migliaia di sensori operano simultaneamente in grandi impianti.

La pre-elaborazione riduce questo carico convertendo le forme d’onda grezze in indicatori diagnostici più compatti. Anziché archiviare ogni punto di campionamento, i sistemi calcolano metriche chiave sullo stato di salute che riassumono in modo efficiente le condizioni della macchina.

Questa strategia riduce drasticamente il fabbisogno di archiviazione, preservando al contempo la visibilità operativa necessaria ai team di manutenzione.

Le metriche monitorate attentamente dagli operatori

Diversi valori pre-elaborati sono predominanti nel monitoraggio industriale delle vibrazioni, perché semplificano il rilevamento dei guasti mantenendo un’elevata efficienza computazionale.

I valori RMS forniscono informazioni sull’energia complessiva delle vibrazioni e sulle tendenze relative allo stato di salute della macchina. Le misurazioni picco-picco evidenziano le variazioni di ampiezza del segnale, che possono indicare allentamenti o eventi d’impatto. I calcoli del fattore di cresta aiutano a identificare i guasti impulsivi spesso associati ai danni iniziali dei cuscinetti.

Queste metriche consentono agli operatori di monitorare continuamente grandi flotte di asset senza eseguire in tempo reale un’analisi completa delle forme d’onda su ogni macchina.

I database tradizionali stanno raggiungendo i propri limiti

I database convenzionali per serie temporali sono stati originariamente progettati per valori di processo scalari, come misure di temperatura, pressione e portata. I segnali di vibrazione ad alta frequenza presentano sfide fondamentalmente diverse, perché producono flussi di dati estremamente densi a intervalli di campionamento ravvicinati.

Con l’espansione del monitoraggio delle vibrazioni negli ambienti edge e nelle architetture IIoT, le prestazioni di lettura e scrittura diventano sempre più spesso un collo di bottiglia. I sistemi che gestiscono l’acquisizione continua delle forme d’onda devono garantire un accesso a bassa latenza mantenendo al contempo l’affidabilità a lungo termine.

Gli impianti che integrano piattaforme di monitoraggio su larga scala insieme ai sistemi di monitoraggio Emerson CSI 6500 o ad architetture PLC distribuite stanno valutando modelli di archiviazione alternativi, in grado di gestire i dati binari delle forme d’onda in modo più efficiente.

L’archiviazione basata su oggetti sta suscitando crescente interesse

I database per serie temporali con archiviazione a oggetti stanno emergendo come soluzione più scalabile per gli ambienti con sensori ad alta frequenza. Anziché archiviare esclusivamente punti scalari, questi sistemi gestiscono porzioni di forme d’onda come oggetti binari associati a timestamp e metadati.

Questa architettura migliora la scalabilità preservando al contempo informazioni contestuali come la posizione del sensore, lo stato operativo della macchina, le condizioni di processo e gli eventi di allarme. I metadati aggiuntivi diventano estremamente preziosi durante le indagini sulle cause principali e gli studi di affidabilità a lungo termine.

L’archiviazione a oggetti per serie temporali consente di conservare in modo scalabile forme d’onda complesse delle vibrazioni e i relativi metadati.

Le politiche di conservazione dei dati stanno diventando una disciplina ingegneristica

Gli ambienti di edge computing introducono ulteriori difficoltà di archiviazione, perché i sistemi locali dispongono di una capacità disco limitata. Senza politiche di conservazione intelligenti, gli archivi delle forme d’onda ad alta frequenza possono consumare rapidamente le risorse di archiviazione e compromettere la stabilità del sistema.

Le strategie di conservazione basate sul volume sono sempre più comuni nelle implementazioni industriali. Gli approcci FIFO rimuovono automaticamente i dati più vecchi delle forme d’onda quando vengono raggiunte le soglie di archiviazione, garantendo il funzionamento continuo senza interventi manuali.

Tuttavia, le politiche di conservazione intelligenti devono bilanciare l’efficienza dell’archiviazione con il valore diagnostico. Eliminare la cronologia delle forme d’onda critiche in modo eccessivamente aggressivo può cancellare le prove necessarie per indagare sui guasti futuri.

La replica selettiva riduce la pressione sull’infrastruttura

Anziché replicare tutti i dati dei sensori allo stesso modo, molti operatori oggi danno priorità alla replica in base alla gravità degli eventi o alla loro rilevanza diagnostica. I sistemi possono conservare e sincronizzare automaticamente i segmenti di forme d’onda associati a tendenze RMS anomale, fattori di cresta elevati o condizioni di allarme.

Questa strategia di replica selettiva consente agli impianti di mantenere registri dettagliati degli eventi significativi, riducendo al contempo il consumo di larghezza di banda e di spazio di archiviazione nelle reti aziendali.

In pratica, questo approccio supporta sia la reattività edge sia l’analisi storica centralizzata, senza sovraccaricare le risorse infrastrutturali.

Il futuro della manutenzione predittiva dipende dall’architettura dei dati

Le organizzazioni industriali si concentrano spesso sull’hardware dei sensori, sottovalutando l’importanza dell’infrastruttura dei dati. Tuttavia, l’efficacia della manutenzione predittiva dipende sempre più dalla capacità di archiviare, accedere e analizzare in modo efficiente i dati sulle vibrazioni nel tempo.

Il passaggio al rilevamento ad alta frequenza, alla diagnostica assistita dall’intelligenza artificiale e al monitoraggio continuo degli asset sta costringendo le aziende a ripensare l’architettura di archiviazione a ogni livello della catena di automazione.

Le organizzazioni che riusciranno a combinare la conservazione delle forme d’onda grezze, la pre-elaborazione intelligente, l’archiviazione a oggetti scalabile e politiche di replica adattive otterranno un vantaggio significativo in termini di affidabilità dei macchinari ed efficienza della manutenzione.

Con l’aumento dell’intensità dei dati nei sistemi industriali, il monitoraggio delle vibrazioni si sta trasformando da problema relativo ai sensori in una sfida completa di ingegneria dei dati.

Michael Reeves | Analista senior di sistemi industriali

Michael Reeves vanta oltre 16 anni di esperienza nel monitoraggio delle condizioni in ambito industriale, nella diagnostica delle apparecchiature rotanti e nelle tecnologie di manutenzione predittiva. La sua esperienza comprende progetti di protezione dei macchinari che coinvolgono Bently Nevada, Emerson Ovation, sistemi di processo Honeywell e infrastrutture di monitoraggio delle turbine GE nei settori della generazione elettrica e dei processi industriali pesanti.