Prevenire è meglio che curare. È una frase che abbiamo sentito pronunciare molto spesso negli ultimi decenni. Oggi potremmo modificare leggermente questo detto: prevedere è ancora meglio. Un’attività, quella della previsione, che si può estendere all’ambito industriale e che può essere un elemento importante di competitività.

In un contesto geopolitico come quello attuale, infatti, un guasto improvviso di un macchinario può comportare un fermo della produzione che si può prolungare nel tempo. L’approvvigionamento dei pezzi di ricambio, negli ultimi anni, è diventata un’operazione sempre più complessa. E i tempi di inattività non pianificati costano alle 500 aziende più grandi del mondo 1,4 trilioni di dollari, l’11% dei loro ricavi, una cifra che equivale al PIL annuale della Spagna.

Ecco allora che per evitare questi danni economici, è importante prevenire i malfunzionamenti dei macchinari, tramite una manutenzione che sia predittiva più che correttiva.

La manutenzione predittiva come chiave per l’efficienza produttiva

Negli ultimi anni, l’industria e il mondo accademico si sono concentrati sullo sviluppo di tecnologie innovative per la produzione automatizzata, un concetto ampiamente conosciuto come Industria 4.0. Secondo uno studio condotto nel 2024 da Reichelt Elektronik, in media, il 41% dei processi di produzione nelle aziende industriali europee è attualmente automatizzato.

Il 60% delle aziende europee ritiene che la produzione sarà completamente automatizzata entro il 2029; il 68% considera l’automazione essenziale per restare competitivi. All’interno di questo ambito la manutenzione predittiva è considerata una tecnologia chiave per migliorare l’efficienza della produzione e massimizzare la resa.

Nelle industrie di processo i motori elettrici rappresentano circa il 70% dell’intero consumo elettrico. È facile comprendere come eventuali guasti e malfunzionamenti possano avere gravi conseguenze, anche economiche, sulla produzione.

Il guasto di un motore, infatti, può portare anche al fermo dell’impianto. Ecco allora che una delle tendenze industriali di spicco, emerse negli ultimi anni, è quella del monitoraggio delle condizioni delle componenti meccaniche e della manutenzione predittiva per cercare di rilevare le anomalie e prevedere i guasti.

Ad oggi i metodi basati sui dati sfruttano algoritmi di machine learning addestrati per modellare il comportamento del motore. Si tratta di modelli statici che necessitano di tempo per acquisire tutti i dati necessari per essere addestrati e una volta completato il processo, non si possono apportare cambiamenti, rendendo il modello estremamente rigido.

Senza considerare che spesso mancano dataset ben strutturati contenenti tutti gli scenari possibili, senza i quali non è possibile ottenere modelli predittivi affidabili, il che rende ancor più complesso il processo perché i macchinari non possiedono una storia dettagliata di anomalie. Ecco allora che sta emergendo un nuovo approccio, più funzionale ed efficiente: utilizzare modelli di machine learning di auto-apprendimento che consentono di adattare gli algoritmi alle diverse situazioni e che si sono rivelati molto più accurati nella manutenzione predittiva.

Il sensore IoT autosostenibile

Sviluppare nuove soluzioni per ottimizzare la manutenzione predittiva di motori elettrici in contesti produttivi costituisce un’attività sempre più critica per la produttività del settore industriale.

In questo contesto Teoresi MedTech, realtà attiva principalmente nel campo delle life science e delle tecnologie biomedicali, ma che applica le proprie competenze anche nel comparto industriale, nell’ambito dell’IEEE SAS – Sensors Applications Symposium, ha presentato una soluzione fortemente innovativa che riguarda proprio questo ambito: la manutenzione predittiva di motori elettrici in contesti produttivi.

Si tratta di un sistema plug and play basato su un nodo sensore wireless e un algoritmo di clustering online. Il sistema acquisisce dati in tempo reale attraverso sensori a bassissimo consumo energetico e li invia a un server proprietario per identificare eventuali anomalie. Il sistema, in termini di algoritmi e hardware, è progettato per adattarsi ai motori esistenti, essere scalabile e non richiedere alcun processo di calibrazione o pre-addestramento.

Non si tratta di un algoritmo addestrato, che richiede tempo e dati per il training, ma di un sistema di Intelligenza Artificiale che impara facendo, che prevede un’installazione plug-and-play ed è caratterizzato da autosufficienza energetica: è infatti alimentato da una batteria integrata all’interno che si ricarica attraverso un sistema che recupera energia dal calore del motore.

Un’applicazione molto efficiente e flessibile, che si può utilizzare su macchinari di nuova concezione e che, se necessario, evolve nel tempo, imparando nuovi scenari per far fronte a nuove esigenze. Azioni impossibili per algoritmi supervisionati. Inoltre è prevista anche una web app che consente di impostare da remoto la frequenza delle misurazioni, ottimizzando il consumo energetico e di visualizzare i dati, archiviandoli su un database.

Il sensore è stato sperimentato per sei mesi su motori elettrici trifase di 160 kW, 55 kW e 11 kW, restituendo un grado di accuratezza del 97% nella classificazione delle anomalie e del 74% nell’identificazione automatica delle condizioni operative su un motore sconosciuto.

L’algoritmo di apprendimento non supervisionato: addestramento in tempo reale, senza dataset

L’algoritmo di intelligenza artificiale su cui si basa il sistema costituisce la risposta ad un problema reale. Solitamente in questi casi si parte da un dataset con cui l’AI viene addestrata, ma a volte i dati non sono completi o non sono totalmente disponibili.

Ecco allora che sviluppare algoritmi di apprendimento non supervisionato permette di superare questo problema, creando soluzioni in grado di apprendere sulla base delle informazioni di volta in volta disponibili e di capire quando il sistema sta evolvendo ed è necessario segnalare un potenziale malfunzionamento.

Nella soluzione realizzata da Teoresi MedTech, viene utilizzato un algoritmo di clustering incrementale, DBSCAN, che interpreta i dati come delle coordinate in un interspazio. A seconda di come queste si distribuiscono nello spazio, il sistema interpreta se il motore funziona correttamente o se ci sono condizioni non idonee al funzionamento.

Le condizioni di funzionamento: quanto costa un “fermo” industriale?

Una delle caratteristiche dei motori elettrici è quella di avere pochi componenti e quindi minori probabilità di guasto. In questo modo diventa più complesso raccogliere i dati necessari per addestrare altri sensori.

Nei test effettuati i sensori sono stati applicati su due motori elettrici trifase da 160 kW e 55 kW, che operano in un contesto industriale reale e su un terzo motore simile da 11 kW a cui sono state sottoposte condizioni di funzionamento e malfunzionamento, ad esempio facendolo sovraccaricare del 110% e del 130% agendo sulle vibrazioni del motore, oppure applicando una massa al motore che lo sbilanciasse e verificando come l’algoritmo di Intelligenza Artificiale interpretasse i dati raccolti.

Secondo lo studio “The true cost of downtime 2024”, elaborato da Siemens, nel settore automobilistico il costo di una linea di produzione inattiva in un grande stabilimento è pari a 695 milioni di dollari all’anno. Una sola ora di inattività costa l’incredibile cifra di 2,3 milioni di dollari.

L’evoluzione della manutenzione predittiva oltre l’industria 4.0

La manutenzione predittiva può essere quindi una leva competitiva da non sottovalutare, anche perché comporta risparmi considerevoli.

Secondo il rapporto di Mordor Intelligence, nel 2025 il mercato della manutenzione predittiva ha un valore di 14 miliardi di dollari, con una crescita prevista a 63,64 miliardi entro il 2030.

In futuro saranno sempre più diffusi modelli aperti che sapranno adattarsi al contesto e crescere con l’industria. Il sensore autosostenibile e l’algoritmo non supervisionato di Teoresi MedTech mostrano come sia già possibile ridurre i downtime imprevisti, aumentare l’efficienza e garantire continuità produttiva.