Un motore che assorbe più corrente del previsto, un ciclo macchina che si allunga di pochi secondi, un numero crescente di reset dell'inverter: presi singolarmente, questi eventi possono sembrare normali variazioni di processo. Raccolti e correlati nel tempo, diventano segnali concreti di degrado. Usare i dati PLC per...
Usare i dati PLC per la manutenzione: da allarme a evidenza
L'allarme PLC resta indispensabile per proteggere macchina e operatore, ma non basta per organizzare una manutenzione efficace. Nella maggior parte dei casi interviene quando la condizione è già fuori tolleranza e la produzione è stata fermata o degradata. L'obiettivo dei dati storici è intercettare il cambiamento prima della soglia di blocco.
La differenza è operativa. Un allarme di sovratemperatura comunica un evento immediato; l'andamento della temperatura di una zona di riscaldamento, associato al setpoint, al prodotto lavorato e allo stato della macchina, permette di capire se la resistenza sta perdendo efficienza, se il raffreddamento è insufficiente o se il problema compare solo con determinate ricette.
Per questo il dato del PLC deve essere acquisito insieme al suo contesto: timestamp affidabile, stato macchina, codice ordine, ricetta, formato, turno e, quando disponibile, operatore o causale di fermo. Un valore analogico senza contesto è raramente sufficiente per decidere un intervento. Lo stesso valore, letto durante produzione stabile e confrontato con lotti equivalenti, può diventare un indicatore manutentivo molto utile.
Quali segnali raccogliere dal PLC
Non è necessario storicizzare ogni tag disponibile. Un progetto efficace parte dai sottosistemi che generano più fermi, più scarti o maggiori costi di ripristino. La priorità va definita con manutenzione e produzione, non soltanto in base a ciò che è tecnicamente leggibile dal PLC.
I segnali più utilizzati dipendono dal tipo di impianto, ma quattro categorie ricorrono in quasi tutti i contesti industriali:
- variabili di processo come temperatura, pressione, portata, vuoto, velocità, coppia e assorbimento;
- contatori come ore di lavoro, cicli, avviamenti, aperture, cambi formato e pezzi prodotti;
- stati e diagnostica, inclusi allarmi, warning, reset, modalità manuale, bypass e comunicazioni interrotte;
- indicatori di prestazione, come tempo ciclo, microfermate, velocità effettiva e scarti per fase o macchina.
In una linea di packaging, per esempio, il numero di microfermate di una stazione può anticipare l'usura di un gruppo di trascinamento anche se il fermo principale non è ancora avvenuto. In un impianto di refrigerazione, l'andamento combinato di pressione, temperatura e tempi di funzionamento del compressore può evidenziare uno scostamento progressivo molto prima di un blocco. Nella lavorazione plastica, la stabilità della temperatura e della pressione di estrusione aiuta a separare un problema di materiale da un possibile degrado di componenti o regolazioni.
La frequenza di campionamento va scelta in funzione del fenomeno. Per i contatori o gli stati macchina può bastare la rilevazione su cambio evento; per una vibrazione o un assorbimento rapido, invece, servono dati più frequenti oppure indicatori già elaborati dal dispositivo di campo. Salvare dati ad alta frequenza senza una domanda operativa precisa aumenta volumi e costi, ma non migliora automaticamente la manutenzione.
Dalla manutenzione a calendario alla manutenzione basata sulla condizione
La manutenzione preventiva a calendario conserva un ruolo centrale. Alcuni componenti devono essere sostituiti per prescrizione del costruttore, requisiti di sicurezza, igiene o qualità. Tuttavia, applicarla indistintamente può portare a sostituzioni premature oppure lasciare scoperti elementi che si degradano più velocemente per carichi, materiali, turni o condizioni ambientali differenti.
I dati PLC permettono di affiancare al calendario una logica basata sulla condizione reale. In pratica, l'intervento non viene definito solo da una data, ma dal superamento di una soglia, da una deriva rispetto a un comportamento atteso o dalla combinazione di più segnali.
Un approccio concreto può seguire tre livelli. Il primo usa soglie semplici e condivise, come temperatura oltre limite, cicli residui o numero di riarmi in un turno. Il secondo confronta il valore attuale con una baseline costruita su condizioni comparabili: stesso prodotto, stessa ricetta, stessa velocità e possibilmente stessa configurazione della macchina. Il terzo correla più variabili, ad esempio aumento di assorbimento, rallentamento del ciclo e incremento degli scarti.
Non tutte le anomalie richiedono un modello predittivo complesso. Per molti impianti, una dashboard con trend chiari, soglie configurabili e notifiche mirate risolve un problema operativo concreto: evitare che una deriva evidente resti invisibile fino al prossimo fermo non pianificato. L'analisi avanzata ha senso quando esistono storico sufficiente, segnali affidabili e una decisione manutentiva precisa da migliorare.
Collegare dati tecnici e impatto produttivo
Il manutentore deve vedere il dettaglio tecnico, ma il responsabile di stabilimento deve comprenderne la priorità economica. Un'anomalia su una macchina non ha sempre lo stesso peso: cambia in base al collo di bottiglia della linea, all'ordine in produzione, alla disponibilità del ricambio, alla finestra di fermo e al rischio di generare prodotto non conforme.
Ecco perché i dati di manutenzione acquistano valore quando dialogano con MES, ERP e sistemi di qualità. Se il PLC segnala un aumento anomalo dei reset e il sistema mostra che la macchina è impegnata su un ordine urgente, la pianificazione può decidere se intervenire subito, ridurre il carico o programmare il fermo al cambio formato. Senza questo collegamento, il dato resta confinato alla singola macchina e la decisione dipende da telefonate, fogli Excel o conoscenza informale.
Anche l'OEE va interpretato con attenzione. Un peggioramento della disponibilità può indicare un guasto ricorrente, ma può nascondere fermate organizzative, attese di materiale o problemi di pianificazione. La classificazione coerente delle causali di fermo è quindi decisiva: consente di distinguere una criticità manutentiva reale da un problema estraneo alla macchina.
Una base dati affidabile richiede regole chiare
La qualità del dato non si ottiene soltanto collegando un protocollo industriale. Occorre definire quali tag leggere, con quale unità di misura, quale frequenza, chi è responsabile della soglia e come gestire modifiche a ricette, PLC o logiche macchina. Un tag rinominato dopo una revamping, una sonda non calibrata o un timestamp non allineato possono produrre analisi fuorvianti.
È utile creare un piccolo dizionario dati condiviso tra automazione, manutenzione e produzione. Per ogni segnale critico vanno indicati significato, origine, unità, intervallo atteso, condizioni di validità e azione prevista in caso di anomalia. Questo passaggio riduce le ambiguità e rende il progetto replicabile su macchine simili.
L'architettura conta quanto il dato. Una piattaforma cloud-native con agente leggero on-premise può acquisire dati da Siemens S7, Modbus TCP/IP, OPC UA, EtherNet/IP, MQTT e altri protocolli industriali, senza richiedere server locali da mantenere in stabilimento. In questo modello, PLCinCloud rende disponibili dashboard e storici via browser, mantenendo separati accessi, ruoli e perimetri operativi. La scelta va comunque valutata rispetto alle politiche OT aziendali, alla segmentazione di rete e ai requisiti di cybersecurity.
Come avviare un progetto senza fermare la fabbrica
Il modo più rapido per fallire è tentare di digitalizzare tutta la manutenzione del sito in un unico progetto. È più efficace selezionare una linea o una macchina critica con fermi documentati, un PLC accessibile e un team disposto a verificare i dati sul campo.
Si parte da una domanda misurabile: quale guasto vogliamo anticipare, quale fermo vogliamo ridurre, quale componente vogliamo sostituire in base all'uso reale? Poi si individuano pochi segnali associati al fenomeno, si costruisce uno storico iniziale e si definiscono soglie provvisorie. Nelle prime settimane, la soglia non è una verità assoluta: va verificata con chi conosce il comportamento della macchina e corretta quando genera falsi positivi o manca eventi rilevanti.
Il risultato atteso non deve essere una dashboard più ricca, ma una decisione migliore. Può essere un controllo programmato prima di un cambio turno, un ordine ricambi attivato con anticipo, una verifica mirata durante il fermo settimanale o la revisione di una procedura di lubrificazione. Quando il dato cambia davvero il momento o la qualità dell'intervento, il caso d'uso è pronto per essere esteso ad altre macchine.
La manutenzione guidata dai dati non sostituisce l'esperienza del personale di fabbrica. La rende più tracciabile, confrontabile e tempestiva. Cominciare da un'anomalia ricorrente e da pochi segnali ben contestualizzati permette di ottenere un beneficio operativo verificabile, prima di ampliare il perimetro dell'intero stabilimento.