Manutenzione Predittiva Utilizzando l’Analisi delle Vibrazioni

Condition-Based Maintenance (CBM) has become a cornerstone of modern predictive maintenance strategies, providing a dynamic and cost-effective alternative to traditional time-based maintenance. By leveraging real-time data to monitor equipment health, CBM enables early fault detection, reduces unplanned downtime, and extends asset lifespan (Jardine et al., 2006; Mobley, 2002). In alignment with Industry 4.0 principles, CBM supports intelligent decision- making through the integration of sensor technology, data analytics, and automated alert systems (Lee et al., 2014). This thesis investigates the deployment of CBM for shuttle mechanisms in wiper blade production lines, with a focus on identifying faults in components such as belts, bearings, linear guides, and motors. Vibration data is collected using accelerometers mounted on shuttle pulleys, acquired through SKF Microlog systems during scheduled checks. These datasets are processed using MATLAB, applying both time-domain (e.g., RMS, kurtosis) and frequency-domain (e.g., FFT, envelope spectrum) analyses to detect mechanical degradation and define fault thresholds. To enable real-time diagnostics, a CompactRIO-9054 controller integrated with LabVIEW is employed to acquire and analyze data during shuttle operation. The system triggers maintenance alerts when vibration patterns exceed defined fault thresholds, reducing dependency on fixed-schedule maintenance and manual inspections. Additionally, this work incorporates a convolutional neural network (CNN) trained on spectrogram images to automate classification of fault types, demonstrating the potential of deep learning to improve fault detection accuracy. Overall, this research confirms that combining CBM with machine learning techniques leads to a scalable, intelligent, and responsive maintenance framework for industrial automation environments.

La Manutenzione Basata sullo Stato (CBM – Condition-Based Maintenance) è diventata una pietra miliare delle strategie moderne di manutenzione predittiva, offrendo un'alternativa dinamica ed economica rispetto alla manutenzione tradizionale basata sul tempo. Attraverso l'uso di dati in tempo reale per monitorare le condizioni operative dei macchinari, la CBM consente l’individuazione precoce dei guasti, riduce i tempi di inattività non pianificati e prolunga la vita utile delle risorse (Jardine et al., 2006; Mobley, 2002). In linea con i principi dell’Industria 4.0, la CBM supporta decisioni intelligenti grazie all’integrazione tra sensori, analisi dei dati e sistemi automatizzati di allarme (Lee et al., 2014). Questa tesi analizza l’applicazione della CBM ai meccanismi di traslazione (shuttle) nelle linee di produzione di tergicristalli, con particolare attenzione all’identificazione dei guasti in componenti come cinghie, cuscinetti, guide lineari e motori. I dati di vibrazione sono raccolti mediante accelerometri montati sulle pulegge degli shuttle, acquisiti attraverso dispositivi SKF Microlog durante le verifiche programmate. I segnali vengono successivamente elaborati in MATLAB, applicando analisi nel dominio del tempo (es. RMS, curtosi) e della frequenza (es. FFT, spettro dell'inviluppo) per rilevare deterioramenti meccanici e definire soglie di guasto. Per abilitare la diagnostica in tempo reale, è stato utilizzato un controllore CompactRIO-9054 integrato con LabVIEW per acquisire e analizzare i dati durante il funzionamento dello shuttle. Il sistema genera allarmi quando i modelli di vibrazione superano le soglie predefinite, riducendo la dipendenza da interventi programmati e da ispezioni manuali. Inoltre, è stata implementata una rete neurale convoluzionale (CNN) addestrata su spettrogrammi per classificare automaticamente i tipi di guasto, dimostrando il potenziale del deep learning nell’aumentare la precisione della rilevazione. In sintesi, questo lavoro dimostra che l'integrazione della CBM con tecniche di intelligenza artificiale porta a una struttura di manutenzione intelligente, scalabile e reattiva, adatta agli ambienti industriali automatizzati.