Un quadro generale sugli obiettivi e sui traguardi del progetto REFIMAN. Il video raccoglie i contributi integrali di tutti gli esperti coinvolti nel percorso di ricerca e innovazione.

In questo video introduttivo, il Prof. Giorgio Dalpiaz (Responsabile Scientifico / Capofila di Progetto - Università degli Studi di Ferrara) illustra la genesi, il valore scientifico e la visione strategica della piattaforma di manutenzione predittiva.

In questo intervento, il Dott. Enrico Armelloni (borsista del progetto REFIMAN presso l'Università degli Studi di Parma) presenta le attività di ricerca focalizzate sull'analisi acustica e vibrazionale per la manutenzione predittiva.

Lo studio analizza nel dettaglio lo stato di lubrificazione dei punzoni della comprimitrice Prexima 300 dell'azienda IMA S.p.A. attraverso tecniche di acquisizione acustica in banda udibile e ad ultrasuoni, sono stati registrati e processati i segnali acustici nel tempo e nella frequenza.
L'analisi comparativa degli spettrogrammi e degli indici RMS permette di diagnosticare con precisione sia la scarsa sia l'eccessiva lubrificazione dei componenti durante il funzionamento della macchina.

In questo video, il Dott. Emanuele Voltolini (borsista del progetto REFIMAN presso l'Università degli Studi di Parma e Ferrara) presenta la struttura hardware e software del sistema di acquisizione dati sviluppato per la piattaforma di monitoraggio.

Il sistema si basa su un'unità Raspberry Pi collegata a schede di acquisizione modulari, in grado di gestire contemporaneamente fino a 32 canali a una frequenza di campionamento di 48 kHz. Per garantire la massima pulizia del segnale ed eliminare i disturbi elettrici di rete, l'hardware viene alimentato via UPS/batteria e disconnesso temporaneamente dalla rete elettrica mediante relè durante le misurazioni.

La gestione dell'intero ciclo di misura è affidata a un software in Python che regola la frequenza e la durata dei rilievi, raccoglie i dati provenienti dai moduli ADC (fino a 8 sensori per scheda collegati via cavo Ethernet) e li carica automaticamente su Cloud per renderli accessibili e analizzabili da remoto.

In questo video, la Dott.ssa Elisabetta Manconi presenta le attività del Laboratorio SITEIA dell'Università di Parma relative allo sviluppo di un sistema prototipale hardware e software per il monitoraggio e la manutenzione predittiva degli impianti.

La piattaforma consente di sensorizzare macchinari industriali non originariamente predisposti, acquisendo in tempo reale grandezze vibro-acustiche, di posizione e di temperatura. Composto da scheda di acquisizione, mini PC, sistemi di alimentazione/protezione e moduli di comunicazione, il dispositivo offre la flessibilità di memorizzare i dati in locale o di inviarli in Cloud per consentire ad analisti ed algoritmi di Machine Learning la valutazione remota dello stato di salute delle macchine. Il sistema è stato validato in laboratorio in ambienti industriali gravosi e testato sul campo presso l'azienda partner Fava S.p.A., garantendo elevata accuratezza e robustezza rispetto alle alternative commerciali.

In questo video, il Dott. Claudio Passadore (borsista del progetto REFIMAN) presenta le attività di ricerca dedicate alla stima e alla diagnostica dello stato di lubrificazione di una macchina comprimitrice Prexima 300 (IMA S.p.A.) mediante l'elaborazione di segnali di vibrazione.

L'impianto sperimentale prevede l'impiego di accelerometri triassiali PCB, encoder e sensori a fibra ottica, collegati al sistema di acquisizione Siemens SCADAS Mobile per il rilevamento delle accelerazioni e della posizione angolare. Lo studio si basa sullo sviluppo di due diversi algoritmi di analisi:

• Monitoraggio a livello globale: stimare la lubrificazione media della macchina attraverso operazioni di filtraggio dei segnali ed estrazione delle caratteristiche (feature).

• Monitoraggio a livello locale: valutare le condizioni di lubrificazione di ogni singolo punzone mediante algoritmi di separazione del segnale, filtraggio e calcolo delle feature correlate.

I test sperimentali evidenziano come entrambi gli approcci riescano a identificare in modo netto e preciso l'alternanza tra i periodi di lubrificazione attiva e le fasi di assenza di lubrificazione.