Progetti di matematica applicata
Modelli costruiti sul contesto reale, quando una soluzione esistente non basta
Manifattura
Vedere la deriva prima che diventi un fermo macchina.
Un connettore in fabbrica e un portale cloud leggono un centro di lavoro CNC, misurano la salute dei sottosistemi e segnalano le derive prima che diventino guasti.
Una macchina che produceva dati che nessuno registrava. Oggi è collegata e monitorata in produzione, e il modello predittivo, validato su dodici mesi simulati con guasti noti, vede la deriva circa quattro settimane prima del guasto. Diventerà operativo sui dati reali quando ci sarà storico sufficiente.
Il centro di lavoro produceva già dati: stati, carichi, temperature, allarmi. Nessuno però li registrava. Si vedevano sul pannello del controllo numerico, e una volta chiuso l'allarme sparivano.
La manutenzione era a calendario o a guasto, e il problema emergeva quando la macchina si fermava. Nello scenario di riferimento del progetto, un guasto al mandrino costa circa 56 ore di fermo.
I segnali deboli non si notano a occhio: un mandrino che scalda due o tre gradi in più, un carico che sale di qualche punto. Dipendono anche dal pezzo in lavorazione, perché un carico dell'80% è normale per un programma e anomalo per un altro.
La decisione difficile era sempre la stessa: fermare la macchina adesso per un controllo, perdendo produzione, o continuare rischiando un guasto più lungo e più caro. Senza storico e senza un riferimento per ciascun pezzo non c'era una base oggettiva per decidere, né per scegliere quando programmare l'intervento.
| Decisione | Prima | Con la piattaforma |
|---|---|---|
| Intervenire su un sottosistema | A guasto avvenuto | Circa quattro settimane prima, sulla deriva rilevata, nel momento meno costoso: fine lotto o fermo programmato |
| Quale macchina controllare per prima | A sensazione | Classifica della flotta per indice di salute da 0 a 100, con il sottosistema responsabile |
| Su quali allarmi agire | Elenco cronologico sul controllo numerico | Pareto degli allarmi, andamento, tempo medio fra allarmi, fasce orarie critiche |
| Capire la causa di un fermo | Ricostruzione a memoria | Storico degli allarmi con il programma e la commessa attivi in quel momento |
| Pianificare la manutenzione | A calendario | Sulle ore effettive di lavoro della macchina, dai contatori del controllo numerico: in programma |
Oggi, sulla macchina reale, il cliente usa la dashboard di reparto: lo stato in tempo reale, le anomalie delle ultime otto ore per componente e gli eventi delle ultime due ore. Le decisioni predittive della tabella sono dimostrate su dati simulati e diventeranno operative quando ci sarà uno storico reale sufficiente.
Agent MTConnect della macchina Circa 64 grandezze per lettura, cioè stati, carichi e temperature di mandrino e assi, refrigerante, override e programma in corso, più il flusso di eventi e allarmi. Una lettura ogni cinque secondi.
Dizionario degli allarmi Circa diecimila codici del costruttore, classificati per gravità e per tipo.
Registro degli interventi Guasti, manutenzioni preventive, ispezioni: serve a chiudere le rilevazioni e a misurare l'anticipo.
Dati sintetici Lo storico reale oggi è minimo, perché la macchina conserva solo sette giorni. Per questo è stato costruito un generatore deterministico che riproduce dodici mesi di sette macchine, con lotti, attrezzaggi, usura utensile, clima e calendario lavorativo, usando codici e testi di allarme reali.
Mancano guasti storici registrati, quindi la verità di riferimento è stata costruita. Nel generatore sono inseriti quattro scenari di degrado con esito noto: due usure dei cuscinetti del mandrino, una lubrificazione degli assi insufficiente, un'emulsione diluita.
Il modello lavora senza conoscere quella verità, e solo dopo viene confrontato con essa. Il registro degli interventi farà la stessa funzione sui dati reali: ogni guasto e ogni manutenzione chiudono una rilevazione e dicono con quanto anticipo era arrivata.
Il problema è stato inquadrato come rilevazione di anomalie e di derive, cioè monitoraggio statistico di processo, e non come previsione della data del guasto. Senza guasti storici registrati un modello supervisionato non sarebbe addestrabile né verificabile. La scelta è caduta su metodi robusti e spiegabili, che il manutentore può leggere su un grafico.
Riferimento per programma Per ogni coppia di macchina e pezzo il comportamento normale è la mediana dei cicli dei tre mesi precedenti, con un minimo di venti cicli. Così la variabilità dovuta al pezzo non viene scambiata per un guasto. Le temperature si misurano rispetto all'ambiente, e l'estate non simula derive.
Carte di controllo Sullo scostamento giornaliero dal riferimento lavora una carta EWMA, una media mobile esponenziale: un giorno anomalo pesa poco, una deriva che persiste si accumula. Il limite statistico si combina con una soglia fisica minima, per esempio due gradi sul mandrino, così si segnalano solo le derive rilevanti.
Indice di salute Un valore da 0 a 100 per sottosistema e per macchina, con il segnale che lo fa scendere. Il sottosistema peggiore pesa di più, perché un problema solo non deve sparire nella media.
Rilevazione di deriva Si apre dopo tre giorni lavorativi consecutivi oltre il limite e si chiude con l'intervento o con il rientro stabile.
Allarmi e correlazioni Pareto, tempo medio fra allarmi e fra guasti, mappa giorno per ora, correlazione di Pearson fra segnali e allarmi con un ritardo fino a sette giorni, per capire quale segnale anticipa quali allarmi.
Il percorso è in tre livelli: prima regole e soglie, poi le linee di base statistiche descritte qui, infine l'apprendimento automatico, con rilevazione di anomalie su più variabili insieme, quando ci saranno da sei a dodici mesi di dati e di interventi registrati.
Il modello è stato eseguito sui quattro scenari di degrado senza conoscerne l'esito, e confrontato poi con la verità nota. I test automatici, venticinque in tutto, si ripetono su cinque seed diversi e su ogni fine periodo dal 2 al 31 ottobre, per controllare che i risultati non dipendano da un caso fortunato.
Nessun senno di poi: il riferimento usa solo dati passati, e i dati che precedono un guasto si escludono solo dopo che il guasto è stato registrato.
| Scenario | Esito |
|---|---|
| Usura del mandrino, fino al guasto | Deriva rilevata da 28 a 31 giorni prima del guasto |
| Lubrificazione degli assi, fino al guasto | Rilevata da 27 a 28 giorni prima |
| Emulsione diluita | Rilevata da tre a quattro settimane prima, risolta con un intervento preventivo senza guasto |
| Usura del mandrino in corso | Macchina segnalata a rischio, salute circa 42 su 100, prima del guasto |
| Macchine sane | Nessun falso allarme su cinque seed; salute sopra 75 in almeno il 95% dei giorni |
Il dato più significativo è un confronto di tempi. Gli allarmi del mandrino aumentano solo nelle ultime tre settimane circa prima del guasto; il modello vede la deriva circa quattro settimane prima, e l'indice di salute comincia a scendere già quattro o cinque settimane prima.
La macchina reale è collegata e monitorata in produzione, con una lettura ogni cinque secondi e la dashboard di reparto.
Il modello predittivo è validato sugli scenari simulati: circa quattro settimane di anticipo, nessun falso allarme sulle macchine sane. Il portale dimostrativo è online ed è stato presentato alla fiera di settore di ottobre 2026.
La catena reale dalla macchina al cloud è provata da un capo all'altro: il dato è visibile in cloud circa venti secondi dopo la lettura, e dopo un'interruzione il recupero è automatico, senza buchi.
| Fase | Periodo | Stato |
|---|---|---|
| Analisi dei dati di macchina e specifiche | Marzo 2026 | Conclusa |
| Connettore locale e dashboard di reparto | Da aprile 2026, in produzione | Conclusa |
| Modello predittivo e portale dimostrativo | Settembre e ottobre 2026 | Conclusa, online |
| Piattaforma cloud reale, raccolta e storicizzazione | Da ottobre 2026 | In corso |
| Manutenzione predittiva sui dati reali | Dopo sei o dodici mesi di storico | Pianificata |
Modelli costruiti sul contesto reale, quando una soluzione esistente non basta
Riconoscere ciò che si discosta dal normale
Prevedere il valore futuro di una grandezza
Produzione, impianti, manutenzione
Quasi ogni macchina moderna produce i dati che servono a vedere una deriva. Il primo passo è registrarli, il secondo è costruire per ogni pezzo il riferimento con cui confrontarli. Raccontateci il vostro reparto.