relativi modi di guasti, si possono applicare opportune metodologie di diagnostica e di prognostica per la previsione e la prevenzione di guasti che potrebbero compromettere le funzionalità del processo o della struttura.
A tal proposito, nel presente paragrafo vengono presentate le tecniche di diagnostica e prognostica presenti in letteratura, che si possono applicare su macchine rotative e motori presenti nell’impianto geotermico pilota industriali, in particolare su pompe, compressori, valvole, riduttori e motori elettrici.
3.4.2.1 Diagnostica e prognostica sulle valvole
Per quanto riguarda l’insieme delle valvole occorre ricercare soluzioni che possano essere applicate con legittimità su tipologie di impianti e sistemi aventi qualche analogia con l’impianto geotermico in esame (Gonçalves et al., 2011; Kalsi et al., 2004; McGhee et al., 1997, 2014).
Dato che le valvole sono componenti molto diffusi in quasi tutti gli ambiti, per prima cosa è necessario elencare tutti i possibili modi di guasto che queste possono avere. Supponendo di aver effettuato un’analisi FMEA/FMECA dell’impianto, tale attività può facilmente essere svolta facendo riferimento alla modulistica già compilata. In generale, i guasti alle valvole possono essere:
• di natura meccanica/strutturale • legati al motore di movimentazione • di origine elettrica/elettronica
I guasti più frequenti sono quelli di tipo meccanico, dovuti a condizioni di esercizio fuori progetto (ad esempio indotti dalla presenza di carichi eccessivi o urti), o a problemi di aggressività ambientale o a condizioni di lubrificazione imperfetta.
Un problema frequente quando si ha a che fare con valvole è la presenza di incrostazioni all’interno di esse. I depositi di materiale si accumulano sulla valvola limitandone lo spostamento e, dunque, impendendone l’azionamento. La valvola incrostata potrebbe non più garantire la completa apertura o
chiusura del condotto a cui fa riferimento, con conseguenze variabili a seconda del sistema in cui è inserita.
Oltre alle incrostazioni, quando si ha a che fare con valvole, si possono riscontrare problemi relativi al sistema motore-attuatore. Dato che, in alcuni casi, gli azionamenti della valvola sono rapidi e bruschi, può capitare che il sistema di azionamento venga sottoposto a eccessivi stress meccanici e, per questo, si guasti.
Non si possono escludere, inoltre, problemi di tipo elettrico. Questi ultimi sono citati in letteratura ma si verificano raramente negli impianti reali.
A causa della forte non linearità intrinseca del comportamento delle valvole, molti autori ritengono più efficace e conveniente l’utilizzo di metodi di machine learning (tra i quali il più largamente diffuso è l’impiego di Artificial Neural Network - ANN) come tecniche di diagnostica e prognostica dei guasti. Il vantaggio di questi strumenti è quello di saper riconoscere dei comportamenti non facili da identificare con i classici modelli analitici. Se si dovessero applicare metodi analitici per prevedere comportamenti complessi, sarebbe necessario disporre di approfondite conoscenze delle dinamiche di funzionamento della valvola.
Se da un lato il vantaggio delle ANN è imparare a prevedere il comportamento di un dispositivo memorizzando un set di dati storici e identificando all’interno di essi pattern non banali, dall’altro tale aspetto positivo rischia, se non si allena correttamente la rete, di trasformarsi in un grande svantaggio. Per esempio, se il training set che si usa per addestrare la rete neurale non è esauriente perché è poco numeroso e i dati che contiene non sono significativi di tutte le possibili casistiche che si possono verificare, di conseguenza la rete “imparerà” cose sbagliate e leggerà delle connessioni anche tra comportamenti puramente casuali. Viceversa, se il training set di partenza contiene troppi valori e troppo dettagliati, può capitare che la rete “impari a pappagallo” i dati e, di conseguenza, percepisca come anomalo qualsiasi altro valore differente da essi. In quest’ultimo caso si dice che la rete commette un errore di “overfitting” dei dati. Al fine di evitare il verificarsi di entrambe le situazioni indesiderate è buona regola effettuare sempre una pulizia dei dati prima di utilizzarli.
Secondo autori di letteratura le misure che possono essere utilizzate per fare diagnostica sulle valvole sono molte. Tipicamente si eseguono misurazioni di vibrazioni e temperatura sulle valvole e sul motore dell’attuatore; anomalie relative a tali misure percepite dai sensori, infatti, sono spesso sintomatiche di malfunzionamenti nelle movimentazioni della valvola dovuti a sovraccarichi o di altri difetti meccanici.
Figura 3.27 grafici riportanti esempi di derive dei segnali di temperatura o vibrazione in caso di guasto di una valvola [25].
Un’altra misura che si può rilevare per fare diagnostica dei guasti di valvole è la coppia torcente necessaria per aprire/chiudere la valvola. Il monitoraggio di tale parametro (o, equivalentemente, dell’assorbimento elettrico del motore o della pressione dell’olio in caso di attuatori oleodinamici) consente di prevedere l’arrivo dei guasti; ad esempio, il metodo di McGhee et al. è basato sull’utilizzo di una ANN applicata alla misura di coppia torcente di azionamento: l’autore ritiene che analizzando queste grandezze si sia in grado di individuare correttamente fino al 90% dei guasti in cui le valvole possono incorrere durante l’esercizio.
In modo similare, il modello ideato da Gonçalves et al., si basa sull’estrazione di dati da un sensore di coppia e da un sensore di posizione applicati sulla valvola, sulla loro elaborazione mediante una Wavelet Packet Transform e sul loro apprendimento attraverso l’utilizzo di una Self Organizing Map (particolare rete neurale). Questo metodo è in grado non solo di identificare e prevedere l’arrivo dell’evento anomalo, ma anche di fare una prognosi sul tipo di guasto che si sta per verificare.