A smart vibration node for edge computing applied to predictive maintenance

Today’s Industry 4.0 focuses on the use of smart sensors able to communicate in the IoT network and on new techniques of artificial intelligence, that allows implementing increasingly appropriate and innovative maintenance plans, increasing efficiency and reducing wastes which are typical of conventional maintenance approaches. Nowadays the focus is mainly on predictive maintenance, but even if the enormous benefits it brings are well known, there is still a total lack of general, complete and concrete models applicable to industrial cases: most of the time, each application must be studied on its own and few times laboratory systems are applied in industrial plants. This thesis aims to improve an existing monitoring system which showed some criticality for its application in industrial environments, especially regarding the vibrations’ acquisition. Such problems were solved by designing a new smart sensor architecture: an analog to digital converter and a microcontroller were introduced in the acquisition chain. Thanks to the new configuration and to a more adequate accelerometer, vibration signals can now be collected 4 times faster than the previous system showing good performance in frequency detection and magnitude response up to 1kHz. The devices of this acquisition chain were placed in aluminum boxes so that it was possible to conduct a monitoring test on an industrial pump, which showed good signal readings. Although some minor improvements still can be made, the existing system was transformed into compact, complete, versatile, easy to use and cheap product.

L’Industria 4.0 si focalizza sull’uso di sensori intelligenti capaci di comunicare nell’IoT network in maniera efficiente ed immediata e su nuove tecniche di intelligenza artificiale, con le quali è possibile implementare piani di manutenzione sempre più appropriati ed innovativi, aumentando l’efficienza e riducendo gli sprechi tipici degli approcci di manutenzione convenzionali, come la manutenzione correttiva o quella basata sul tempo. Al giorno d’oggi l’attenzione è principalmente focalizzata sulla manutenzione predittiva che si basa sul monitoraggio dei macchinari e sull’applicazione di algoritmi di machine learning per la predizione sul decorso del macchinario quando non si conoscono le sue formule analitiche. Tuttavia anche se sono ben noti gli enormi benefici che tale tipo di manutenzione comporta, manca ancora un modello completo e concreto applicabile a casi industriali: il più delle volte, ogni applicazione deve essere studiata a sè ed i sistemi studiati in laboratorio poche volte sono implementati in impianti industriali. La presente tesi punta a migliorare un sistema di monitoraggio predittivo già esistente, che presentava però alcune criticità per la sua applicazione in contesti industriali, soprattutto per quanto riguarda l’acquisizione delle vibrazioni. Questi problemi sono stati risolti progettando una nuova architettura per il sensore intelligente: un convertitore analogico digitale ed un microcontrollore sono stati introdotti nella catena di acquisizione. Grazie alla nuova configurazione ed ad un accelerometro più adeguato, le vibrazioni possono essere raccolte 4 volte più velocemente rispetto al precedente sistema, mostrando buone performance nel rilevamento delle frequenze e nella risposta in ampiezza fino a 1kHz durante i vari test. I componenti di questa catena d’acquisizione sono stati posizionati in scatole di alluminio fatte su misura in modo da essere protetti e rendere più agevole il loro fissaggio e posizionamento su macchinari reali. Un test di monitoraggio su di una pompa industriale, ha mostrato buoni risultati di lettura dei segnali con la nuova architettura. Anche se alcune marginali migliorie possono ancora essere fatte, il sistema già esistente è stato migliorato in modo da renderlo un prodotto compatto, completo, versatile, facile da usare ed economico che può essere direttamente applicato in un impianto industriale per il monitoraggio di macchine reali.