lunedì 8 settembre 2025 · 0 min read
Diagnosi dei Guasti dei Cuscinetti mediante l'Analisi delle Vibrazioni con DEWESoft
I cuscinetti svolgono un ruolo cruciale nei macchinari industriali e la rilevazione precoce di eventuali guasti è fondamentale per prevenire costosi fermi di produzione. Questo studio analizza come l’uso dell’analisi vibrazionale, in combinazione con gli strumenti di acquisizione dati ad alta risoluzione di Dewesoft, possa monitorare in modo efficace lo stato di usura dei cuscinetti. Integrando tecniche avanzate di elaborazione del segnale e algoritmi di machine learning, viene illustrato un approccio potente alla manutenzione predittiva.
I cuscinetti sono componenti meccanici fondamentali delle macchine rotanti, progettati per ridurre l'attrito tra le parti in movimento e supportare carichi radiali e assiali. Esistono vari tipi di cuscinetti, tra cui quelli volventi e quelli radenti, ciascuno con applicazioni e caratteristiche specifiche.
La diagnostica dei cuscinetti è fondamentale per garantire l'affidabilità e l'efficienza delle macchine. Tecniche avanzate come l'analisi delle vibrazioni e l'uso degli ultrasuoni consentono di individuare precocemente i difetti e l'usura, aiutando a prevenire guasti imprevisti e costosi fermi macchina.
Inoltre, l'implementazione di sistemi di manutenzione predittiva, basati sul monitoraggio continuo e sull'analisi dei dati, ottimizza gli interventi di manutenzione, riducendo i costi e migliorando la produttività complessiva.
In sintesi, la comprensione del funzionamento dei cuscinetti e l'adozione di strategie diagnostiche efficaci sono elementi essenziali per la manutenzione proattiva e l'ottimizzazione delle prestazioni dei macchinari industriali.
Contesto - Progetto Phd
La diagnostica dei cuscinetti a rotolamento fa parte di un progetto di dottorato presso l'Università di Parma, incentrato sul monitoraggio dei macchinari basato sulle vibrazioni nell'ambito dell'Industria 4.0.
L'obiettivo della ricerca è sviluppare tecniche avanzate per il rilevamento precoce dei guasti e la manutenzione predittiva, sfruttando l'analisi delle vibrazioni per garantire l'affidabilità e l'efficienza delle apparecchiature industriali. Questo progetto è allineato con gli obiettivi più ampi della smart manufacturing, dove il monitoraggio continuo delle condizioni gioca un ruolo chiave nell'ottimizzazione delle prestazioni e nella riduzione dei tempi di fermo.
In questo studio è stato sviluppato un banco di prova per studiare la diagnostica dei cuscinetti in condizioni controllate. Il setup consiste in un motore elettrico che aziona un albero supportato da due cuscinetti fissi e un cuscinetto a sbalzo (tipo 6005 SKF), sottoposto a carichi variabili e funzionante a diverse velocità di rotazione.
Un altro motore è posto di fronte al primo con la possibilità di agire come freno per testare il cuscinetto con coppie diverse.
Catena di Misura
Il sistema di misura progettato per questo studio è strutturato in modo da garantire l'acquisizione ad alta fedeltà dei segnali di vibrazione del cuscinetto in esame. La catena inizia con un accelerometro PCB 333B30, un sensore piezoelettrico ad alta sensibilità specificamente progettato per il monitoraggio delle vibrazioni. Le caratteristiche principali del PCB 333B30 includono:
Sensibilità: 100 mV/g
Range di Misura: ±50 g peak
Gamma di frequenza: 0.5 to 3,000 Hz (±5%)
L'accelerometro è montato in modo sicuro vicino al cuscinetto 6005 SKF per garantire un rilevamento accurato delle vibrazioni direttamente associate alle sue condizioni operative. Un secondo accelerometro è posizionato sul collare di un supporto fisso e viene utilizzato come riferimento per monitorare il comportamento complessivo del banco prova.
Il segnale dell'accelerometro viene condizionato e digitalizzato dal modulo di acquisizione dati Dewesoft IOLITE-8xACC. Questo dispositivo è stato progettato per misure di accelerazione di precisione e offre le seguenti caratteristiche principali:
8 canali per l'ingresso diretto del sensore ICP (Integrated Circuit Piezoelectric) o IEPE (Integrated Electronics Piezo-Electric)
Frequenza di campionamento fino a 20 kHz per canale
Risoluzione ADC a 24 bit
Protocollo: EtherCAT, grazie al quale è possibile fornire trasmissione dati, sincronizzazione e alimentazione per mezzo di un unico cavo di rete LAN
L’ IOLITE-8xACC di Dewesoft assicura un’elevata qualità dei segnali acquisiti per mezzo del monitoraggio delle vibrazioni dei cuscinetti. Tali informazioni pervenute risultano chiave alla determinazione delle informazioni chiave visibili nel dominio delle frequenze.
Insieme, l'accelerometro PCB 333B30 e il modulo Dewesoft IOLITE-8xACC formano una catena di misura robusta e precisa, che consente di rilevare e diagnosticare efficacemente le anomalie dei cuscinetti in condizioni di carico e velocità variabili.
Acquisizione ed Elaborazione Dati
Il processo di acquisizione dati è gestito attraverso il software DewesoftX gestisce il processo di acquisizione dei dati tramite una piattaforma intuitiva per la configurazione del sistema, il monitoraggio in tempo reale e la registrazione dei dati.
DewesoftX include potenti moduli matematici per l’analisi avanzata di vibrazioni e frequenze, come la Trasformata Rapida di Fourier (FFT). La sua integrazione nativa con l’hardware Dewesoft lo rende una soluzione completa e precisa per l’analisi dello spettro in frequenza.
Una volta completata e verificata la configurazione, il sistema entra in modalità di misura. Durante la fase di misura, i dati vengono acquisiti in tempo reale, con un monitoraggio continuo dei segnali nel dominio del tempo.
L’elaborazione dei dati è possibile per mezzo di software terzi grazie all’ampia gamma di formati di esportazione dei file fornita da DewesoftX. Nel caso specifico, i dati acquisiti vengono esportati in un formato compatibile con MATLAB (.mat) e, una volta importati, i segnali vengono sottoposti alle fasi di post-elaborazione.
Nella fase di post-elaborazione, i segnali generati dall’acquisizione delle vibrazioni vengono analizzati in MATLAB per estrarre le informazioni indicative dei difetti dei cuscinetti.
Una tecnica chiave impiegata è l'analisi dell'inviluppo. Questa è una tecnica di elaborazione del segnale utilizzata per rilevare e analizzare componenti ad alta frequenza modulate da segnali a bassa frequenza, molto efficace per identificare le frequenze caratteristiche dei guasti mascherate dal rumore o da interazioni meccaniche complesse.
L'analisi dell'inviluppo può essere pre-processata con la tecnica del filtro autoregressivo o del Cepstrum Pre-Whitening, oppure può essere sostituita da una combinazione di filtraggio mediano e differenziazione [1].
Sono stati testati diversi scenari di danneggiamento, partendo da un cuscinetto non danneggiato e introducendo poi danni sulla pista interna, sulla pista esterna o danni di tipo brinelling [2].
I risultati ottenuti dall’acquisizione di tali vibrazioni hanno subito ulteriori step di elaborazione prima di essere forniti come input a diversi algoritmi di apprendimento automatico per testare le loro capacità di rilevare e classificare automaticamente gli scenari di danno.
Analisi Avanzata: Approcci di Machine Learning e Deep Learning
Nelle ultime fasi di questo studio, sono state impiegate tecniche avanzate basate sul Machine Learning (ML) e sul Deep Learning (DL) per migliorare il processo diagnostico. Invece di affidarsi esclusivamente ai metodi classici di elaborazione del segnale, questi approcci si concentrano su l'estrazione automatica di caratteristiche significative dai dati di vibrazione grezzi per classificare direttamente le condizioni dei sistemi di cuscinetti.
Sono state esplorate diverse metodologie:
Reti Neurali Convoluzionali (CNNs)
Le CNN sono utilizzate per apprendere automaticamente i modelli spaziali e temporali dei segnali di vibrazione. Trattando i dati di vibrazione come input unidimensionali o bidimensionali, le CNN sono in grado di identificare autonomamente firme di guasto complesse senza la necessità di un'approfondita ingegnerizzazione manuale delle caratteristiche.Autoencoder Variazionali (VAEs)
I VAE sono applicati per l'estrazione di caratteristiche non supervisionate. Apprendendo una rappresentazione latente e compressa dei segnali di ingresso, i VAE catturano le caratteristiche essenziali delle condizioni di salute e di guasto. Queste variabili latenti possono poi essere utilizzate per compiti di classificazione a valle o per il rilevamento di anomalie.Analisi Discriminante Lineare (LDA) combinato con la Support Vector Machine (SVM)
Un approccio ibrido prevede l'uso di LDA per la riduzione della dimensionalità e la proiezione ottimale delle caratteristiche, seguito dalla classificazione con una SVM. LDA migliora la separazione tra le diverse classi (ad esempio, cuscinetti sani e cuscinetti difettosi), mentre SVM fornisce un confine decisionale robusto per una classificazione ad alta precisione.
Questi metodi ML e DL permettono di sfruttare le strutture lineari e non lineari dei dati, consentendo una maggiore sensibilità alle firme sottili dei guasti e una migliore generalizzazione in condizioni operative diverse. L'integrazione di queste tecniche guidate dai dati rappresenta un progresso significativo verso una diagnosi automatizzata e altamente affidabile dei guasti dei cuscinetti.
La figura precedente mostra che LDA e SVM sono in grado di fornire un set di dati facilmente classificabili a partire dalle vibrazioni misurate.
Conclusioni
Questo studio ha dimostrato un approccio completo alla diagnosi dei guasti dei cuscinetti attraverso l'integrazione di misure di vibrazione precise, elaborazione avanzata del segnale e tecniche di classificazione basate sui dati.
Utilizzando un banco di prova dedicato, sensori ad alta fedeltà (PCB 333B30) e il sistema di acquisizione dati Dewesoft IOLITE-8xACC, siamo stati in grado di acquisire dati di vibrazione affidabili e ad alta risoluzione in varie condizioni operative.
L'implementazione di tecniche classiche di elaborazione del segnale, come l'analisi dell'inviluppo, il filtraggio mediano e la differenziazione, si è dimostrata efficace nell'estrarre caratteristiche rilevanti legate ai guasti da segnali di vibrazione rumorosi e complessi.
Inoltre, l'esportazione dei dati in MATLAB ha consentito un'analisi flessibile e approfondita delle firme dei guasti.
Per migliorare ulteriormente le capacità diagnostiche, sono stati impiegati algoritmi di apprendimento automatico e di deep learning, tra cui CNN, VAE e il modello ibrido LDA-SVM. Queste tecniche hanno permesso di rilevare e classificare automaticamente i difetti dei cuscinetti con un intervento manuale minimo, evidenziando il potenziale dei sistemi di monitoraggio della salute strutturale automatizzati e in tempo reale.
Nel complesso, i risultati confermano l'efficacia della combinazione dell'elaborazione tradizionale dei segnali con le moderne tecniche di intelligenza artificiale nella valutazione dei difetti dei cuscinetti. Questa metodologia a più livelli non solo migliora l'accuratezza diagnostica, ma supporta anche le strategie di manutenzione predittiva, riducendo in ultima analisi i tempi di fermo, prevenendo i guasti imprevisti e ottimizzando le prestazioni delle macchine negli ambienti industriali.
References
Sawalhi, N. (2018). Rolling element bearings localized fault diagnosis using signal differencing and median filtration. Journal of Vibroengineering, 20(3), 1353–1370.
Saxena, M., Bannett, O. O., & Sharma, V. (2016). Bearing fault evaluation for structural health monitoring, fault detection, failure prevention, and prognosis. Procedia Engineering, 144, 208–214.