An Integrated IoT-Based Predictive Maintenance Framework for Industrial Electrical Assets: A Hybrid Deep Learning Approach

Sintesi Tecnica: Un Framework Integrato di Manutenzione Predittiva Basato su IoT per Asset Elettrici Industriali

Definizione del Problema
La continuità della produzione industriale e l'efficienza energetica dipendono fortemente dal funzionamento affidabile degli asset elettrici, in particolare dai motori a induzione e dai trasformatori di distribuzione. Nonostante i progressi nella Manutenzione Predittiva (PdM), gli approcci esistenti soffrono spesso di processi decisionali frammentati e di una dipendenza da modalità di rilevamento isolate. I metodi convenzionali si basano frequentemente sul monitoraggio di vibrazioni e temperatura, che richiedono installazioni di sensori intrusive e affrontano sfide di scalabilità. Inoltre, molti studi attuali trattano il rilevamento dei guasti, l'identificazione delle anomalie e la previsione della manutenzione come compiti separati, fallendo nell'integrare il rilevamento precoce delle anomalie con raccomandazioni di manutenzione azionabili e l'ottimizzazione delle prestazioni energetiche all'interno di un unico framework. Esiste inoltre una lacuna nell'utilizzo di firme multivariate elettriche e armoniche ad alta risoluzione come modalità di rilevamento primarie per identificare sia guasti elettrici che elettromeccanici incipienti.

Metodologia
Il documento propone un assistente PdM integrato basato su IoT, progettato per colmare il divario tra l'analisi della firma elettrica e le strategie di manutenzione azionabili. La metodologia è strutturata attorno a quattro componenti principali:

1. Architettura Hardware e di Rilevamento: Il sistema utilizza una piattaforma di rilevamento IoT di classe analizzatore basata sul circuito integrato ADE9000 e sul microcontrollore ESP32. Questa configurazione consente un monitoraggio elettrico ad alta risoluzione con una frequenza di campionamento di 8 kHz, puntando alla precisione di misurazione Classe S dello standard IEC 61000-4-30. L'hardware cattura tensione, corrente, potenza e metriche armoniche in modo non intrusivo dai quadri esistenti. I dati vengono trasmessi tramite uno stack di telemetria resiliente e a bassa latenza basato su MQTT verso un'infrastruttura cloud.
2. Ingegneria delle Caratteristiche (Feature Engineering): Un framework di ingegneria delle caratteristiche multistrato espande circa 67 misurazioni elettriche primarie (inclusi valori RMS, componenti di potenza e magnitudo armonica) in uno spazio di caratteristiche derivate a 328 dimensioni. Questa espansione cattura il comportamento armonico, lo squilibrio di fase, gli indicatori di efficienza e la dinamica temporale per migliorare la separabilità diagnostica per pattern di guasto complessi.
3. Pipeline Ibrida di Rilevamento Anomalie: Il motore predittivo centrale impiega un approccio di modellazione di serie temporali ibrido a due stadi:
   • Prophet: Utilizzato come primo stadio per decomporre i dati delle serie temporali in componenti di trend, stagionalità ed eventi. Questo stabilisce una linea di base del "comportamento normale", isolando pattern macroscopici come i turni di produzione e i cicli di carico.
   • LSTM (Long Short-Term Memory): Il secondo stadio utilizza una rete LSTM per analizzare le sequenze di residui generate da Prophet. La LSTM apprende le dipendenze temporali a breve e medio termine in questi residui per quantificare l'intensità dell'anomalia.
   • Fusione e Decisione: Il sistema combina il punteggio sequenziale basato sull'errore della LSTM con i punteggi di deviazione multivariata (ad esempio, la distanza di Mahalanobis) per generare una metrica di anomalia unificata. Questa metrica viene mappata su azioni di manutenzione prioritarie (Immediata, Programmata o Monitoraggio) e collegata a specifiche degradazioni della qualità della potenza.
4. Spiegabilità: Il framework include uno strato decisionale che traduce gli indicatori di anomalia in report spiegabili, identificando quali caratteristiche (ad esempio, bande armoniche specifiche o indicatori di squilibrio) hanno contribuito maggiormente alle deviazioni rilevate.

Contributi Chiave
Lo studio apporta quattro contributi primari al campo della PdM industriale:

• Rilevamento ad Alta Risoluzione: Implementazione di una piattaforma IoT capace di campionamento a 8 kHz e precisione Classe S, consentendo il rilevamento di sottili anomalie elettriche ed elettromeccaniche.
• Spazio delle Caratteristiche Avanzato: Creazione di uno spazio di caratteristiche a 328 dimensioni derivato da 67 misurazioni primarie, specificamente progettato per catturare la dinamica armonica e di efficienza.
• Modellazione Ibrida: Introduzione di una pipeline ibrida Prophet-LSTM che combina l'interpretabilità della decomposizione predittiva con il potere predittivo del deep learning per l'analisi dei residui.
• Supporto Decisionale Integrato: Sviluppo di uno strato spiegabile che non solo predice i guasti, ma quantifica anche le inefficienze energetiche e le emissioni di CO2, collegando le anomalie tecniche agli impatti economici e ambientali.

Risultati Sperimentali
Il framework è stato validato attraverso una distribuzione di quattro mesi su motori critici di un gruppo di raffreddamento in un impianto industriale. Le scoperte chiave includono:

• Rilevamento Guasti: Il sistema ha correlato con successo l'elevazione dei trend nelle 5ª e 11ª armoniche (armoniche di sequenza negativa) con la degradazione meccanica dei cuscinetti e lo scivolamento del bronzina. Ha inoltre identificato connessioni allentate e problemi di resistenza degli avvolgimenti attraverso l'analisi dello squilibrio di fase, distinguendoli da problemi indotti dalla rete.
• Metriche di Prestazione: Il modello ibrido Prophet-LSTM ha superato significativamente gli allarmi basati su regole tradizionali. In termini di rilevamento delle anomalie, il modello ibrido ha raggiunto un'accuratezza di 0,94, una precisione di 0,92, un richiamo (recall) di 0,90 e un F1-score di 0,91, rispetto rispettivamente a 0,78, 0,69, 0,65 e 0,67 del sistema basato su regole.
• Impatto Energetico e Ambientale: Il sistema ha quantificato le perdite energetiche, stimando che l'elevata distorsione armonica in un motore ha comportato emissioni annuali di CO2 equivalenti a 27–28 tonnellate. Un altro motore con squilibri di fase ha contribuito con circa 12 tonnellate di CO2 all'anno. L'analisi ha suggerato che l'applicazione di filtri passivi o la revisione delle connessioni potrebbe recuperare oltre il 5% e circa il 3,5% di efficienza, rispettivamente.
• Studio di Ablazione: I confronti hanno confermato che l'approccio ibrido ha superato i modelli standalone Prophet e LSTM, validando la sinergia dell'uso di Prophet per il detrending e della LSTM per il rilevamento delle anomalie nei residui.

Significatività e Rivendicazioni
Il documento afferma che il framework proposto offre una soluzione completa, scalabile e spiegabile per la PdM industriale. Sfruttando le firme elettriche ad alta risoluzione, il sistema riduce la dipendenza da sensori di vibrazione supplementari, rilevando simultaneamente sia guasti elettrici che meccanici. L'integrazione dell'analisi dell'efficienza energetica direttamente nel ciclo decisionale della manutenzione affronta una lacuna critica nella letteratura esistente, dove l'ottimizzazione energetica è spesso trattata come un obiettivo secondario. Gli autori sostengono che questo approccio fornisce approfondimenti azionabili per l'ottimizzazione della manutenzione e contribuisce alla decarbonizzazione industriale quantificando l'impronta di carbonio delle inefficienze elettriche. Lo studio conclude che l'approccio di deep learning ibrido colma efficacemente il divario tra dati elettrici complessi e strategie pratiche di manutenzione, offrendo un'alternativa robusta ai sistemi esperti statici basati su regole.