IT 
EnglishDefault
Українська
Polski
Español
Deutsch
日本語
Português (BR)
Français
العربية
Nederlands
中文
한국어
हिन्दी
Türkçe
Tiếng Việt
Русский
Bahasa Indonesia
فارسی
বাংলা
ไทย
Filipino
Kiswahili
اردو
Bahasa Melayu
தமிழ்
עברית
Ελληνικά
ਪੰਜਾਬੀ
አማርኛ
မြန်မာဘာသာ
ខ្មែរ
ქართული
नेपाली
Монгол хэл
Հայերեն
සිංහල
ລາວ
Čeština
Română
Magyar
Български
Svenska
Dansk
Suomi
Norsk
Slovenčina
Hrvatski
Српски
Slovenščina
Lietuvių
Latviešu
Eesti
Íslenska
Shqip
Македонски
Bosanski
Malti
Azərbaycanca
Қазақша
O'zbekcha
Тоҷикӣ
Кыргызча⚙️ Manutenzione Predittiva — Stimatore della Vita Utile Residua
Flussi di sensori di vibrazione e temperatura da una macchina simulata alimentano un modello di vita utile residua, con una curva di rischio di guasto e una raccomandazione della finestra di manutenzione aggiornate dal vivo.
Informazioni sulla Manutenzione Predittiva — Stimatore della Vita Utile Residua
I fermi macchina non pianificati su macchinari rotanti — un cuscinetto guasto, un riduttore bloccato — sono tra gli eventi più costosi nella produzione, per cui gli impianti moderni sostituiscono sempre più spesso la manutenzione a calendario fisso con strategie basate sulle condizioni e predittive. La manutenzione predittiva osserva flussi di sensori dal vivo, modella come il rischio di guasto di un componente evolve con l'usura accumulata usando un modello di rischio di Weibull, e raccomanda l'intervento solo quando le evidenze lo giustificano davvero.
Questa simulazione esegue l'intera pipeline: un processo di usura nascosto e reale si degrada secondo un rischio di Weibull la cui scala dipende dal carico operativo, guidando sensori rumorosi di vibrazione e temperatura. Da quei sensori viene ricostruito un indice di salute pesato, adattato dal vivo con una regressione di Weibull per proiettare una curva di rischio di guasto e una raccomandazione mobile della finestra di manutenzione.
Domande frequenti
Cos'è la vita utile residua (RUL) e in cosa differisce da una pianificazione di manutenzione fissa?
La vita utile residua è il numero stimato di ore operative che una macchina può ancora funzionare prima che la sua probabilità di guasto superi una soglia inaccettabile, ristimata continuamente a partire da dati di condizione dal vivo invece di essere fissata in anticipo. Una pianificazione a calendario sostituisce un cuscinetto ogni N mesi indipendentemente da quanto sia stato effettivamente sollecitato; la manutenzione predittiva osserva invece vibrazione, temperatura e altri indicatori di condizione e raccomanda un intervento solo quando le evidenze mostrano che l'usura è realmente progredita.
Perché usare un modello di rischio di Weibull invece di un tasso di guasto costante?
Un tasso di guasto costante (esponenziale) presuppone che un componente abbia la stessa probabilità di guastarsi all'ora 10 e all'ora 10.000, il che è realistico per guasti elettronici casuali ma sbagliato per l'usura meccanica. Il tasso di rischio della distribuzione di Weibull h(t) = (β/η)(t/η)^(β–1) ha un parametro di forma β che permette al tasso di guasto di aumentare con l'età quando β > 1 — esattamente il pattern osservato in cuscinetti, ingranaggi e guarnizioni man mano che si accumulano cricche da fatica e sfaldamento superficiale.
Come cambia il carico operativo la vita utile residua stimata?
La simulazione riduce la vita caratteristica di Weibull η in funzione di una potenza del moltiplicatore di carico, per cui un carico sostenuto più alto accorcia la vita in modo super-lineare — in modo simile a come la vita a fatica in una curva S-N (tensione-vita) diminuisce più rapidamente dell'aumento della tensione.
Come stima la simulazione l'indice di salute da sensori rumorosi invece di leggere semplicemente il livello di usura reale?
Il processo di usura sottostante è nascosto. Le letture simulate di vibrazione e temperatura vengono generate a partire dallo stato di usura reale più un rumore gaussiano indipendente dei sensori, e l'indice di salute viene ricostruito normalizzando ogni sensore rispetto al proprio intervallo baseline-guasto e combinandoli in una somma pesata (la vibrazione pesa di più, poiché il suo aumento è tipicamente il precursore più precoce e sensibile del degrado dei cuscinetti). Una media mobile esponenziale appiana poi la stima rumorosa per singolo campione in un andamento stabile dell'indice di salute.
Cos'è la linearizzazione log-log usata per adattare la curva di rischio di guasto?
Prendendo la CDF di Weibull F(t) = 1 – exp(–(t/η)^β) e applicando la trasformazione y = ln(–ln(1–F(t))) si ottiene y = β·ln(t) – β·ln(η), che è esattamente lineare in x = ln(t). Questa è la classica tecnica di probability-plotting di Weibull usata in tutta l'ingegneria dell'affidabilità: convertire le frazioni di guasto stimate dai dati di condizione in coppie (x,y), eseguire una regressione ai minimi quadrati ordinari per ottenere la pendenza (β̂) e l'intercetta, poi recuperare la scala come η̂ = exp(–intercetta / β̂).
Come viene calcolata la finestra di manutenzione raccomandata?
Una volta adattati β̂ e η̂, la probabilità di guasto del modello in un tempo futuro qualsiasi è F(t) = 1 – exp(–(t/η̂)^β̂). La simulazione inverte questa formula per risolvere l'ora operativa in cui F(t) eguaglia una soglia «pianificata» inferiore (metà della soglia di manutenzione impostata dall'utente) e l'ora operativa in cui eguaglia la soglia «urgente» completa. L'intervallo tra queste due ore è la finestra di manutenzione raccomandata.
Perché il rumore dei sensori rende meno stabile la stima della vita utile residua?
La regressione che adatta β̂ e η̂ dipende dalla frazione di usura stimata derivata da letture rumorose dei sensori, ed entrambe la pendenza e l'intercetta di un adattamento ai minimi quadrati sono sensibili alla dispersione dei dati in ingresso. Aumentare il cursore del rumore dei sensori aumenta la dispersione nei campioni dell'indice di salute, il che amplia l'intervallo di valori di β̂ e η̂ che l'adattamento può produrre e fa oscillare maggiormente la finestra di manutenzione proiettata tra un riadattamento e l'altro.
Perché due macchine con la stessa lettura media di vibrazione possono avere una vita utile residua molto diversa?
La vita utile residua dipende dall'andamento e dalla forma del degrado nel tempo, non da una singola lettura istantanea. Questo è il motivo per cui la simulazione adatta una curva a una finestra mobile di storico invece di applicare una soglia direttamente al valore attuale del sensore — una singola lettura alta rumorosa non è prova di un guasto imminente, ma una tendenza al rialzo sostenuta e coerente con una forma di usura sì.
Why use a Weibull hazard model instead of a constant failure rate?
A constant (exponential) failure rate assumes a component is equally likely to fail at hour 10 as at hour 10,000, which is realistic for random electronic failures but wrong for mechanical wear-out. The Weibull distribution's hazard rate h(t) = (β/η)(t/η)^(β–1) has a shape parameter β that lets the failure rate rise with age when β > 1 — exactly the pattern seen in bearings, gears and seals as fatigue cracks and surface spalling accumulate.
How does operating load change the estimated remaining useful life?
The simulation scales the Weibull characteristic life η down as a power of the load multiplier, so higher sustained load shortens life super-linearly — similar to how fatigue life in an S-N (stress-life) curve falls off faster than stress increases.
How does the simulation estimate the health index from noisy sensors instead of just reading the true wear level?
The underlying wear process is hidden. Simulated vibration and temperature readings are generated from the true wear state plus independent Gaussian sensor noise, and the health index is reconstructed by normalising each sensor against its own baseline-to-failure range and combining them in a weighted sum (vibration weighted higher, since rising vibration is typically the earliest and most sensitive precursor of bearing degradation). An exponential moving average then smooths the noisy per-sample estimate into a stable health-index trend.
What is the log-log linearisation used to fit the failure-risk curve?
Taking the Weibull CDF F(t) = 1 – exp(–(t/η)^β) and applying the transform y = ln(–ln(1–F(t))) gives y = β·ln(t) – β·ln(η), which is exactly linear in x = ln(t). This is the classical Weibull probability-plotting technique used throughout reliability engineering: convert estimated failure fractions from condition data into (x,y) pairs, run ordinary least-squares regression to get the slope (β̂) and intercept, then recover the scale as η̂ = exp(–intercept / β̂).
How is the recommended maintenance window computed?
Once β̂ and η̂ are fitted, the model failure probability at any future time is F(t) = 1 – exp(–(t/η̂)^β̂). The simulation inverts this formula to solve for the operating hour at which F(t) equals a lower "plan" threshold (half the user-set maintenance threshold) and the operating hour at which it equals the full "urgent" threshold. The interval between those two hours is the recommended maintenance window.
Why does sensor noise make the remaining-useful-life estimate less stable?
The regression that fits β̂ and η̂ depends on the estimated wear fraction derived from noisy sensor readings, and both the slope and intercept of a least-squares fit are sensitive to scatter in the input data. Turning up the sensor-noise slider increases the scatter in the health-index samples, which widens the range of β̂ and η̂ values the fit can produce and makes the projected maintenance window jump around more between refits.
Why can two machines with the same average vibration reading have very different remaining useful life?
Remaining useful life depends on the trend and shape of degradation over time, not a single snapshot reading. This is why the simulation fits a curve to a rolling window of history rather than thresholding the current sensor value directly — a single noisy high reading is not evidence of imminent failure, but a sustained upward trend consistent with a wear-out shape is.
Flussi di sensori di vibrazione e temperatura da una macchina simulata alimentano un modello di vita utile residua, con una curva di rischio di guasto e una raccomandazione della finestra di manutenzione aggiornate dal vivo.
3D · renderer Three.js / WebGL · target 60 FPS · funziona interamente lato client, senza installazione