La manutenzione predittiva su componenti di impianti a fune

Il convegno che si è svolto durante l’assemblea annuale di Como  ha approfondito il tema sui controlli di manutenzione necessari per garantire l’efficienza delle diverse componenti dell’impianto funiviario e prevenire quindi il rischio di anomalie di funzionamento e incidenti. Quattro relazioni tenute da altrettanti esperti hanno trattato degli approcci integrati basati su sensoristica, analisi dei lubrificanti e sistemi IoT avanzati

di Claudio Francione (segretario dell’Associazione Nazionale Italiana dei Tecnici degli Impianti Funiviari)

Negli ultimi anni, il paradigma della manutenzione degli impianti a fune ha subito una trasformazione significativa, passando da logiche prevalentemente reattive o basate su programmi temporali prestabiliti a modelli sempre più basati sulla conoscenza reale dello stato dei componenti. Questo cambiamento è stato reso possibile dallo sviluppo di tecnologie di monitoraggio avanzate, dalla crescente disponibilità di dati e dalla maturazione di strumenti di analisi sempre più sofisticati. In tale contesto, la manutenzione predittiva si configura come un approccio integrato che consente di anticipare i guasti, ottimizzare gli interventi e migliorare affidabilità e sicurezza degli impianti.

Le tre metodologie analizzate – monitoraggio tramite sensoristica e algoritmi, analisi dei lubrificanti e sistemi IoT strutturali avanzati – rappresentano diversi livelli di evoluzione della manutenzione predittiva. Ognuno di questi approcci contribuisce, con caratteristiche specifiche, alla costruzione di un sistema manutentivo integrato basato sui dati.

1. Monitoraggio tramite sensoristica e analisi dei dati – Il primo livello di approccio alla manutenzione predittiva è rappresentato dall’impiego di sistemi di sensoristica distribuita per il monitoraggio continuo delle condizioni di esercizio degli impianti. In questo contesto, grandezze fisiche quali temperatura, pressione, portata e vibrazioni vengono rilevate in modo continuo mediante sensori installati sui componenti critici. La catena di acquisizione comprende dispositivi di condizionamento del segnale, sistemi di acquisizione dati (DAQ) e piattaforme software dedicati all’elaborazione e alla gestione delle informazioni raccolte. Il valore aggiunto di tale approccio risiede nella capacità di trasformare dati grezzi in informazioni utili attraverso tecniche di analisi avanzata. L’elaborazione può avvenire mediante metodi tradizionali, basati su soglie e indicatori statistici, oppure tramite algoritmi di machine learning, in grado di individuare pattern nascosti e segnali deboli associati a fenomeni di degrado. Particolare importanza assume il processo di estrazione delle variabili significative (features) e la fase di addestramento dei modelli, che consente di distinguere le condizioni di funzionamento normali da quelle anomale.

Dal punto di vista operativo, tali sistemi permettono la generazione di indicatori di condizione (condition indicators) e di indici di anomalia, che supportano il processo decisionale in ambito manutentivo. L’utilizzo di questi strumenti consente di programmare gli interventi in funzione dello stato effettivo dei componenti, riducendo i fermi impianto e migliorando l’efficienza complessiva del sistema. 

2. Analisi dei lubrificanti come strumento diagnostico – Un secondo approccio, complementare al precedente, è rappresentato dall’analisi dei lubrificanti in esercizio. Il lubrificante, infatti, durante il funzionamento del componente meccanico, interagisce direttamente con le superfici in contatto e accumula informazioni relative ai fenomeni di usura, contaminazione e degradazione chimico-fisica. In questo senso, esso può essere considerato un vero e proprio vettore informativo, capace di restituire un quadro dettagliato dello stato interno del sistema. L’analisi dei lubrificanti si basa su tecniche di laboratorio che consentono di individuare la presenza di particelle metalliche, contaminanti esterni e variazioni delle proprietà del fluido, quali viscosità e contenuto d’acqua. Affinché i risultati siano significativi, è fondamentale che il campionamento venga eseguito in modo corretto e rappresentativo, tenendo conto delle condizioni operative e delle caratteristiche del componente analizzato. Dal punto di vista applicativo, tale metodologia consente di individuare precocemente fenomeni di degrado interno non direttamente rilevabili attraverso misure esterne. Essa rappresenta quindi uno strumento di diagnosi particolarmente efficace, che consente di integrare le informazioni provenienti dalla sensoristica e di migliorare l’affidabilità delle valutazioni sullo stato degli impianti.

l’Ing. Claudio Francione, segretario di ANITIF

L’integrazione tra analisi dei lubrificanti e sistemi di monitoraggio consente di costruire un modello più completo e robusto del comportamento degli impianti, migliorando la capacità predittiva e la qualità delle decisioni manutentive.

3. Monitoraggio strutturale con sistemi IoT avanzati (Tokbo) – Un ulteriore livello di evoluzione della manutenzione predittiva è rappresentato dall’applicazione di tecnologie IoT (Internet of Things) al monitoraggio strutturale degli impianti. In particolare, i sistemi più avanzati prevedono l’integrazione di sensori intelligenti direttamente all’interno delle connessioni meccaniche, come le giunzioni bullonate, che costituiscono elementi critici per la sicurezza e la stabilità delle strutture. Questi sensori sono in grado di rilevare parametri fondamentali quali forza di serraggio, vibrazioni, temperatura, inclinazione e accelerazioni. Le informazioni raccolte vengono trasmesse a piattaforme cloud che consentono la visualizzazione in tempo reale, la storicizzazione dei dati e l’analisi mediante algoritmi avanzati. La possibilità di disporre di dati continui e ad alta frequenza permette di individuare variazioni nel comportamento strutturale, riconoscere trend evolutivi e intercettare precocemente situazioni di rischio. Un elemento distintivo di questi sistemi è la loro flessibilità di installazione, che consente l’applicazione anche su impianti esistenti senza interventi invasivi. Inoltre, l’integrazione con piattaforme digitali permette di supportare attività di ispezione, collaudo e conformità normativa attraverso dati oggettivi e tracciabili. Dal punto di vista gestionale, tali soluzioni rappresentano un’evoluzione significativa verso modelli di manutenzione data-driven, in cui il monitoraggio continuo e l’analisi predittiva consentono una gestione più efficiente e consapevole degli asset.

Conclusioni –  L’analisi delle tre metodologie evidenzia come la manutenzione predittiva negli impianti a fune sia oggi caratterizzata da un approccio sempre più integrato, in cui diverse tecniche concorrono alla definizione dello stato di salute dei componenti. La sensoristica e l’analisi dei dati consentono il monitoraggio continuo delle condizioni operative, l’analisi dei lubrificanti fornisce informazioni dirette sui fenomeni di degrado interno, mentre i sistemi IoT avanzati permettono un controllo strutturale diffuso e in tempo reale. L’integrazione di queste tecnologie consente di migliorare significativamente la sicurezza, ridurre il rischio di guasti e ottimizzare i costi di manutenzione, favorendo una gestione più efficiente e sostenibile degli impianti. In prospettiva, l’evoluzione verso sistemi sempre più interconnessi e intelligenti rappresenta un elemento chiave per lo sviluppo del settore, rendendo la manutenzione predittiva uno strumento imprescindibile nella gestione moderna degli impianti funiviari.

I relatori del convegno

Alvise Mantelli – Ingegnere meccanico laureato presso l’Università degli Studi di Brescia, indirizzo Energia. Dal 2024 ricopre il ruolo di Innovation Data Engineer presso Security Trust S.r.l., dove sviluppa ecosistemi predittivi per la manutenzione industriale. In precedenza ha lavorato come Industrial Data Engineer in Oròbix S.r.l. (2022-2024), Research Fellow all’Università di Brescia e R&D Test Engineer in Gnutti Carlo S.p.A. Possiede competenze su sensoristica MEMS, IoT, programmazione (C, C++, Python, Matlab, LabVIEW) e predictive maintenance.

Attilio Luca Matarrelli – Laureato in Ingegneria Elettrica presso il Politecnico di Torino, ricopre il ruolo di Area Manager Northern Italy presso Klüber Lubrication Italia. È responsabile dei mercati di riferimento marine e rail e dei sistemi di lubrificazione automatica Klübermatic, con focus sulla sostenibilità applicata agli impianti funiviari.

Giorgio Stagni – Diplomato come operatore chimico-biologico presso l’ITSOS «M. Curie» di Cernusco sul Naviglio, ricopre il ruolo di Coordinatore di Laboratorio presso Klüber Lubrication Italia. Si occupa del coordinamento, sviluppo e ottimizzazione dei processi di analisi su olii e grassi, è REACh Manager e certificato LIMS e SAP, supportando il laboratorio nelle sue circa 9.000 analisi annue.

Matteo Villa – Ingegnere meccanico con Laurea magistrale presso il Politecnico di Milano, specializzato in ambito tecnologico-metallurgico. Dal 2024 è CTO e co-founder di Tokbo S.r.l., start-up innovativa (sister company di A. Agrati S.p.A.) attiva in soluzioni IoT per il monitoraggio real-time di giunzioni bullonate e predictive maintenance. In precedenza, ha avuto lunga esperienza in Agrati S.p.A. come Impact Innovation Manager, Testing & Prototyping Manager e R&D Engineer. Esperto di fastening, titolare di numerosi brevetti internazionali e membro UNI per le norme ISO sull’innovation management.

L’intervento  dell’Ing. Matteo Villa durante il convegno sulla manutenzione predittiva delle componenti dell’impianto funiviario e un dispositivo diagnostico della Tokbo