Dr. Maximilian Beinhofer:<\/strong> In tal caso parliamo di manutenzione correttiva. Questo pu\u00f2 comportare che una macchina o un impianto si fermi parzialmente o completamente. Ci\u00f2 significa che la disponibilit\u00e0 viene ridotta, il che pu\u00f2 comportare svantaggi economici per l’utente. Un altro problema: potrebbe essere necessario cercare l’errore, il che richiede tempo prezioso.<\/p>\n Si possono semplicemente sostituire regolarmente i pezzi di usura…<\/strong><\/p>\n S\u00ec, questo \u00e8 ci\u00f2 che chiamiamo manutenzione preventiva. Si tratta di stabilire cicli di manutenzione o sostituzione basati su esperienze passate. Questo garantisce una disponibilit\u00e0 molto elevata degli impianti. Lo svantaggio: i costi sono pi\u00f9 elevati, poich\u00e9 vengono sostituiti anche pezzi che hanno ancora una riserva di usura. La grande arte consiste nel trovare il momento ideale - sia per il fornitore di manutenzione che per il ricevente. Una buona soluzione \u00e8 quindi il monitoraggio delle condizioni, ovvero la sorveglianza dello stato, cos\u00ec come la manutenzione predittiva. Sulla base dei cosiddetti gemelli digitali, \u00e8 considerata una delle innovazioni centrali nel campo dell’Industria 4.0.<\/p>\n Come funziona la manutenzione predittiva?<\/strong><\/p>\n Grazie al monitoraggio delle condizioni dei componenti tramite sensori, possiamo rappresentare nel software se si sta avvicinando un problema. Idealmente, ci\u00f2 avviene in tempo reale o con un ritardo minimo. Il nucleo del nostro approccio \u00e8: con algoritmi intelligenti, ovvero metodi provenienti dal campo del machine learning e della data science, noi di TGW connettiamo o fondiamo i dati gi\u00e0 esistenti dai sensori in modo cos\u00ec intelligente da poter fare affermazioni molto precise sullo stato o sull’usura dei componenti. Questo fa risparmiare costi, poich\u00e9 non dobbiamo installare sensori aggiuntivi.<\/p>\n Ha un esempio pratico?<\/strong><\/p>\n \u00a0Nel<\/strong> nostro robot di picking pluripremiato Rovolution, misuriamo lo stato del vuoto nel dispositivo di presa. Se, ad esempio, a causa della presenza di polvere nell’ambiente si verifica una perdita di pressione, lo vediamo immediatamente e possiamo reagire.<\/p>\n Come si gestiscono gli impianti pi\u00f9 vecchi che non dispongono dei sensori necessari?<\/strong><\/p>\n Si possono installare sensori aggiuntivi, ad esempio per la misurazione delle vibrazioni. A seconda delle dimensioni dell’impianto, possono essere necessari da pochi a pi\u00f9 di cento sensori, per cui \u00e8 assolutamente necessario condurre un’analisi di fattibilit\u00e0 in anticipo. In linea di principio, per\u00f2, anche gli impianti intralogistici esistenti possono essere retrofittati.<\/p>\n Qual \u00e8 la differenza tra manutenzione predittiva e prescrittiva?<\/strong><\/p>\n I due approcci si basano l’uno sull’altro. Come base della manutenzione predittiva \u00e8 necessario il monitoraggio delle condizioni. Non basta sapere se un sensore \u00e8 occupato o meno. Si tratta di quanto sia avanzata l’usura. Una volta che questi dati sono disponibili, \u00e8 possibile utilizzare un software di manutenzione predittiva per fare una previsione che un componente, a partire da un certo valore, ad esempio, durer\u00e0 ancora circa tre mesi. La manutenzione prescrittiva fornisce quindi il consiglio di fare esattamente questo o quello tra tre mesi.<\/p>\n Quali sono i principali vantaggi della manutenzione predittiva?<\/strong><\/p>\n In linea di principio, si tratta di ottimizzare la disponibilit\u00e0 degli impianti a costi minimi. Inoltre, il ciclo di feedback viene continuamente migliorato. Gli algoritmi garantiscono che il sistema autoapprendente si ottimizzi costantemente.<\/p>\n In quali aree \u00e8 utile la manutenzione predittiva?<\/strong><\/p>\n In linea di principio ovunque in un impianto. Tuttavia, gli elementi di connessione sono i pi\u00f9 interessanti. Se, ad esempio, uno dei dieci posti di lavoro per la preparazione degli ordini si guasta, il 90% della capacit\u00e0 di picking \u00e8 ancora disponibile. Ma se un sistema di smistamento, attraverso il quale passano tutte le merci, si guasta, ci\u00f2 significa un fermo immediato.<\/p>\n Quali sono le sfide della manutenzione predittiva?<\/strong><\/p>\n Da un lato, si tratta di generare il massimo impatto con il minimo sforzo. Dall’altro, la sfida tecnica consiste nell’utilizzare le reti dell’impianto in modo tale che i dati necessari possano essere trasferiti al software di manutenzione predittiva. La terza sfida sono i cicli di feedback. Se si verificano problemi nella tecnologia di trasporto, i tecnici sul posto devono segnalarlo. Come produttore, \u00e8 necessario sviluppare metodi intelligenti affinch\u00e9 il feedback avvenga immediatamente e sia anche valutabile automaticamente.<\/p>\n Come viene garantito?<\/strong><\/p>\n Per poter addestrare gli algoritmi, \u00e8 necessario sapere esattamente quando \u00e8 stata effettuata una manutenzione e cosa \u00e8 stato fatto esattamente. Altrimenti, il sistema crede che ci sia stata un miglioramento spontaneo. Questo report non deve per\u00f2 essere un testo liberamente formulato dal tecnico. Devono essere risposte standardizzate da un menu a discesa, poich\u00e9 sono necessari dati leggibili dalle macchine per poter addestrare il sistema di machine learning. Allo stesso tempo, il ciclo di feedback deve essere rapido e facile da usare, affinch\u00e9 il tecnico di manutenzione possa fornire rapidamente il feedback.<\/p>\n Per quali moduli TGW sviluppa la manutenzione predittiva?<\/strong><\/p>\n Per il robot di picking Rovolution, il monitoraggio delle condizioni \u00e8 gi\u00e0 disponibile. Parallelamente, stiamo sviluppando una soluzione cloud speciale per la raccolta e l’elaborazione dei dati. In linea di principio, si tratta di raccogliere tutti i dati dalla meccatronica all’IT in futuro - naturalmente rispettando le normative GDPR e sulla sicurezza dei dati. Raccogliamo i dati di pi\u00f9 clienti. Questo ha il vantaggio che un nuovo cliente pu\u00f2 beneficiare dei dati dei clienti esistenti e ricevere consigli dal software su cosa fare per ottimizzare il proprio impianto. Alla fine del processo, si ottiene il gemello digitale. In questo modo non solo \u00e8 possibile analizzare in modalit\u00e0 replay cosa \u00e8 successo, ma anche vedere in tempo reale cosa sta accadendo. In un ulteriore passo, \u00e8 possibile anche guardare al futuro e fare previsioni.<\/p>\n Come si svilupper\u00e0 la domanda di soluzioni nel campo della manutenzione predittiva?<\/strong><\/p>\n Il tema \u00e8 attualmente popolare. Presumo che tra cinque o dieci anni verranno venduti solo impianti che offrono questo servizio. Per grandi macchine singole \u00e8 gi\u00e0 comune utilizzare un sensore di vibrazione. Per gli impianti intralogistici ampiamente connessi, ci sono attualmente ancora diverse strategie.<\/p>\n \u00a0<\/strong>I clienti vedono il beneficio e sono disposti a pagare per tali servizi?<\/strong><\/p>\n Credo che a lungo termine i modelli di business dietro i contratti di manutenzione cambieranno. I nuovi strumenti e servizi offrono vantaggi per i clienti - e questi vantaggi si rifletteranno alla fine nel calcolo dei costi totali (TCO, Total Cost of Ownership). Di conseguenza, adegueremo anche i nostri modelli di business.<\/p>\n Foto di copertura: \u00a9 TGW \/ Didascalia dell’immagine:<\/em><\/strong> PickCenter Rovolution di TGW: il monitoraggio delle condizioni garantisce un’elevata disponibilit\u00e0 del robot di picking pluripremiato.<\/em><\/p>\n \u2022 TGW punta sul monitoraggio delle condizioni con il robot di picking Rovolution, pluripremiato \u2022 Gemello digitale come innovazione centrale nell’era dell’Industria 4.0 (Marchtrenk) Nell’ambito dello [\u2026]<\/span><\/p>\n","protected":false},"author":0,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1665,1560,1561],"tags":[],"class_list":["post-24928","post","type-post","status-publish","format-standard","hentry","category-categories","category-intralogistics","category-regions"],"acf":[],"yoast_head":"\n![\"\"](\"https:\/\/transportjournal.com\/wp-content\/uploads\/sites\/2\/2025\/12\/TGW_22.4.21_2.jpg\")
Il Dr. Maximilian Beinhofer <\/strong>dirige il settore Sviluppo dei Sistemi Cognitivi presso la sede della TGW Logistics Group a Marchtrenk, Austria. Ha studiato matematica presso le universit\u00e0 di Aquisgrana e Friburgo e ha conseguito il dottorato nel campo dell’informatica nella robotica probabilistica. Nel 2014, il ricercatore ha iniziato la sua carriera presso TGW come consulente in logistica e IT. Dal 2016 dirige il team di sviluppo nel settore Sviluppo dei Sistemi Cognitivi.<\/p><\/blockquote>\n","protected":false},"excerpt":{"rendered":"