Diagnostica delle macchine e dei sistemi energetici

INDUSTRIAL IOT ED INTELLIGENZA

ARTIFICIALE

INDUSTRIA 4.0 E SENSOR NETWORK

Con le nuove tecnologie abbiamo a disposizione una moltitudine di dati campionati da sensori di

diversa natura e posizionati in più punti di uno stesso sistema. Il nostro scopo ultimo è proprio quello

di sfruttare tutte queste informazioni per capire lo stato di salute del sistema.

In questo ambito sono state sviluppate una serie di soluzioni sia dal punto di vista sensoristico sia

analitico che risultano interessanti per i nostri scopi.

Partendo dalla fine del 1700 (I Rivoluzione Industriale) sono state introdotte macchine di produzione

alimentate per lo più ad acqua e vapore. Nel 1900 si è iniziato ad utilizzare l’energia elettrica come

vettore energetico, compaiono così le prime linee di produzione alimentate ad energia elettrica.

Negli anni ’70 si inizia a parlare per la prima volta di automazione dei processi industriali e vengono

introdotti degli elementi chiamati PLC (Controllori Logici Programmabili), ossia dei computer che

consentono di gestire i singoli macchinari. Nel 2011, per la prima volta in Germania, viene utilizzato il

termine Industria 4.0 che fa un passo avanti rispetto all’automazione dei processi industriali e si basa

sul concetto di interconnessione tra diversi elementi (reti di sensori).

Per Industria 4.0 si intende un termine collettivo che fa riferimento a tecnologie e concetti che

toccano l’intera catena del valore dell’organizzazione. Ci sono due elementi chiave che la

caratterizzano:

Cyber-physical systems (CPS)

• Internet of Things (IoT)

•

Questi due sono gli elementi cardine dell’Industria 4.0 che consentono di definire la cosiddetta

fabbrica intelligente, all’interno della quale i sistemi cyber-fisici consentono di monitorare una serie

di parametri fisici, creano una copia virtuali del mondo fisico e prende decisioni decentralizzate.

Questi elementi consentono un’elevata flessibilità dei processi produttivi.

INTERNET OF THINGS (IOT)

INTERNET – È una rete globale che connette diversi dispositivi ridotti nella complessità, immersi in un

ambiente, che hanno la capacità di interazione e sono orientati ad una specifica applicazione

(computer, smartphone, ecc.).

THINGS – Tutti quegli oggetti che sono interconnessi tramite rete Internet, questi sono caratterizzati

da un identificativo (ID) ed hanno un indirizzo IP per connettersi in rete.

Fondendo questi due concetti, l’IoT può essere definito come: una rete di oggetti fisici che possono

interagire tra di loro per scambiare informazioni.

SISTEMI CYBER-FISICI (CPS)

Un CPS è un sistema di elementi computazionali che interagiscono per controllare entità fisiche e

può essere definito come: un sistema dove oggetti fisici vengono supportarti dalla loro

rappresentazione nel mondo digitale, integrati con elementi di computing, storage (capacità di

accumulo dei dati ed archiviazione) e capacità di comunicazione e che sono quindi collegati tra

di loro.

Semplificando questo concetto, il CPS è un sistema dove abbiamo una parte fisica (oggetti che

interagiscono tra di loro) e una parte virtuale che fa riferimento al digitale. Immaginiamo due livelli

paralleli che interagiscono continuamente tra di loro, i dati dei sensori passano al mondo virtuale,

35

vengono elaborati e poi interagiscono di nuovo con il mondo fisico per sviluppare delle soluzioni in

tempo reale.

L’elemento fondamentale, quindi, è la connettività che permette di legare il mondo fisico con quello

virtuale.

SOLUZIONI DELL’INDUSTRIA 4.0

Macrocategorie:

Processi e product design

• Monitoraggio e controllo

• Operazioni in ambito manifatturiero

• Servizi (integrazione e manutenzione)

• Organizzazione del lavoro

•

Per ognuna di queste ci sono aspetti in particolare.

Lungo l’ascissa si leggono in ordine crescente le soluzioni ordinate per grado di maturità:

Soluzioni con maturità consolidata

• Soluzioni emergenti

• Soluzioni precursori (primo tentativi di sviluppo)

•

Alcune delle soluzioni più importanti per i nostri scopi sono:

Macchine e impianti interconnessi

• Sensori attivi

• Manutenzione predittiva e prescrittiva

• 36

PRINCIPI CHIAVE DELL’INDUSTRIA 4.0

INTEROPERABILITÀ – Capacità dei sistemi CPS di interagire tra di loro e con il mondo fisico (aspetti

che riguardano l’ambito umano) e quindi poter suggerire soluzioni adeguate in relazione alle

condizioni attuali del sistema. Per cui sono in grado di comunicare tra di loro attraverso l’IoT.

VIRTUALIZZAZIONE – Definizione del gemello digitale costruito a partire da dati di sensori che

consente di rappresentare la realtà attraverso un modello per poter sviluppare soluzioni su esso.

DECENTRALIZZAZIONE – Capacità dei sistemi CPS, all’interno delle fabbriche intelligenti, di prendere

decisioni decentralizzate in maniera autonoma.

SUPPORTO TECNICO – I CPS sono utili perché danno un supporto a noi umani a condurre una serie di

attività.

CAPACITÀ IN TEMPO REALE – Le soluzioni e i suggerimenti in termini gestionali sono richiesti in tempo

reale, quindi dobbiamo avere algoritmi altamente performanti che riescono ad elaborare i dati e

fornire informazioni in tempo reale.

CONTESTO REALE: SMART FACTORY

Le tecnologie descritte finora non si limitano all’ambito produttivo, ma guardano a tutta la filiera con

un approccio timicamente LCA (Analisi del Ciclo di Vita), cioè guardano anche gli aspetti che

riguardano i fornitori e gli utenti (fine vita).

In una Smart Factory ci sono una serie di soluzioni che mirano all’impiego di risorse tipicamente

rinnovabili.

Tutti gli algoritmi che sviluppiamo non mirano solo ad ottimizzare processi produttivi, ma si lavora

anche sul rendere efficace l’approvvigionamento energetico; quindi, garantire che i sistemi di

approvvigionamento lavorino in maniera ottimale.

MODERNI DATA SET

I dati sono alla base dell’Industria 4.0.

N.B. Reti di sensori eterogenee: i parametri che vengono campionati sono grandezze di diversa

natura.

Si parte da una rete di sensori che campiona dati di diversa natura in punti differenti, estrapolo una

serie di dati grezzi che vengono analizzati con delle tecniche specifiche per garantire una certa

qualità, prima di entrare nella vera e propria fase analitica dove estrapolo delle informazioni di

diversa natura, così da suggerire le azioni ottimali.

37

PROBLEMATICHE

I data set campionati dalle moderne reti di sensori portano dietro una serie di problemi (regola delle

quattro V):

Volume (dati campionati in enormi volumi)

• Velocità (dati campionati velocemente)

• Varietà (dati con una certa varietà di natura)

• Veracità (dati grezzi, quindi, hanno un certo grado di incertezza ed affidabilità)

•

Queste quattro V rappresentano le sfide principali del Big Data Analytics.

Il dinamismo, la non linearità e la non stazionarietà sono delle caratteristiche dominanti nei moderni

data set.

EVOLUZIONE DEI METODI ANALITICI PER MANUTENZIONE E CONTROLLO

Partiamo dalla detection dove andiamo ad individuare quando c’è una divergenza da un

comportamento atteso attraverso carte di controllo.

Si passa alla diagnosi dove cerco di capire anche le cause di un evento cercando di trovare soluzioni

attraverso la PCA.

Infine, si arriva alla prognosi dove cerco di anticipare l’occorrenza di eventi indesiderati ed

eventualmente suggerire soluzioni in anticipo attraverso reti neurali.

TECNICHE DI DATA PREPROCESSING APPLICATE ALLE SERIE TEMPORALI

I dati campionati da reti di sensori, soprattutto per scopi di monitoraggio delle condizioni di sistemi

ingegneristici sono tipicamente grezzi (sporchi), per cui se tutti i modelli che implementiamo si

basano su dati di scarsa qualità, i risultati non possono essere di alta qualità. Quindi la pre-

processazione è una delle parti più importanti per tutto il processo che porta alla conoscenza.

38

TIPOLOGIE DI DATI GENERATI DALLE RETI DI SENSORI

I dati possono essere classificati:

DATI CATEGORICI

Si fa riferimento a dati che rappresentano delle caratteristiche (linguaggio, età, ecc.), in alcuni casi

può essere anche un valore numerico, ma non ha un vero e proprio significato matematico.

DATI NOMINALI – Rappresentano delle unità discrete e sono usati per etichettare variabili (nome

delle persone, numeri ID, ecc.)

DATI ORDINALI – Diventa importante l’ordine con cui viene riportato il valore, utilizzati per

rappresentare scale di valutazione (voti, grado di gusto, altezza di una persona, ecc.)

DATI NUMERICI

Sono rappresentati da numeri che hanno un preciso valore matematico.

DATI DISCRETI – Si usano per valori discreti distinti e separati, ossia tutti quei dati che non possono

essere misurati ma possono essere contati (quante volte esce testa lanciando una moneta).

DATI CONTINUI – Rappresentano delle misurazioni, per cui non possono essere contati ma possono

essere misurati.

VISUALIZZAZIONE DEI DATI

TIPICHE STRUTTURE DI DATA SET

Quando abbiamo a disposizione una rete di sensori otteniamo un database da analizzare,

caratterizzato da:

Features (caratteristiche del data set)

• Samples (osservazioni)

•

La prima colonna rappresenta l’informazione temporale.

39

Questa struttura può essere estrapolata in diversi formati, tipicamente si utilizza un formato CSV.

Focalizzandoci su una colonna, nel tempo c’è un’evoluzione del valore, ossia una variazione del

valore numerico continuo su intervalli regolari definita come “serie temporale” (time series). Ognuno

dei parametri numerici continui campionati ad intervalli regolari rappresenta una serie temporale.

Tutti gli strumenti di pre-processazione sono tutti applicati a serie temporali perché rappresentano le

tipologie di dati che vengono tipicamente estrapolati dai sensori.

Per prima cosa possiamo iniziare a trasformare questi numeri grezzi in qualcosa che ci dia

informazioni dal punto di vista visivo.

STRUMENTI PER LA VISUALIZZAZIONE DEI DATI

PLOT BIDIMENSIONALE – Si rappresenta sull’asse delle ascisse il tempo e sulle ordinate una specifica

feature, quindi vediamo la rappresentazione grafica dell’evoluzione di un singolo parametro. Un

problema che sorge quando applichiamo questo tipo di plot a più parametri è la diversa scala di

osservazione, tipicamente si utilizza un approccio di normalizzazione dei dati per cui si rendono

adimensionali i risultati.

SCATTER PLOT – Strumenti che consentono di capire come si relazionano due o più parametri. Lo

Scatter Plot