Piattaforme controllo industriale

Gruppo di Controlli Automatici del Dipartimento di Ingegneria dell'Energia Elettrica e dell'Informazione ''Guglielmo Marconi'' (DEI), dell'Università di Bologna.

Outline
1. Sistema distribuito (Edge+Cloud) per condition monitoring orientato alla manutenzione predittiva:
. Collaborazione LIAM LAB Unibo.
2. Piattaforme edge evolute per azionamenti elettrici innovativi:
. Unibo, DEI, progetto (POR FESR) Acmec (Additive manufacturing e tecnologie Cyber-physical per la MECcatronica del futuro)
https://acmec.it/.


Idea LIAM-Unibo
- Sistema distribuito tra PLC (Edge) e Cloud per approccio olistico al condition monitoring per la manutenzione predittiva.


Contesto: Industria 4.0
- Impulso a diffusione della digitalizzazione nella gestione dei processi produttivi;
- Forte spinta verso funzionalità innovative, spesso basate su ottimizzazione e dati massivi (Big Data o forse "Huge Data").


Architettura per manutenzione predittiva
- Acquisizione dei dati sensori;
- Preparazione dati;
- Generazione modelli e indici;
- Database modelli, Condizioni operative, Dati di produzione;
- Machine Learning Diagnostica predittiva RUL Ottimizzazione cicli;
- HMI Locale;
- Condizioni macchina, Modalità operative.


APPROCCIO LIAM-UNIBO: DIAGNOSI (LATO EDGE)
- Tecnica model-of-signal per apprendimento/diagnosi a partire dai segnali. Da interazione con gruppo di system identification and diagnosis Unibo (coordinato da prof. A. Tilli e prof. R. Diversi);
- Più espressivo rispetto a tecniche "signal based pure" (FFT, Wavelet);
- Consente "apprendimento online", training AI (su cloud) basato su features (parametri modelli) estratte a runtime, no conoscenza dati a priori.

Modelli Autoregressivi:
- Catturano contenuto informativo dei segnali;
- Estraggono le info necessarie, comprimendo i dati (migliaia di campioni mappati in 10/20 coefficienti).


APPROCCIO LIAM-UNIBO: ANALYTICS (LATO CLOUD)
Parametri modelli sono features utilizzabili per diagnosi e strategie di manutenzione:
- Attraverso l'utilizzo di Health Indicators;
- Attraverso l'applicazione di algoritmi di Machine Learning (classificazione).


APPROCCIO LIAM-UNIBO AL CONDITION MONITORING: EVOLUZIONI
- Utilizzare il PLC anche per funzionalità di machine learning (es. Classificazione supervised con SVM, NN) eseguite a runtime.
Test preliminari ne dimostrano la fattibilità;
- Criticità: Invasività su PLC "di processo", computazione feasible dipende anche da fattore di utilizzazione, rischio effetti collaterali in integrazione di queste nuove parti nella struttura SW genera diffidenza;
- Soluzione: Sviluppo di piattaforme edge industriali "ad hoc'' con:
. Potenza di calcolo sufficiente ad ospitare gli algoritmi di feature extraction e analytics di primo livello;
. Capacità di interfaccia e comunicazione con: PLC, HMI, web (per scambio dati con il Cloud);
. Struttura SW in grado di garantire il Real-Time.


PIATTAFORME PER EDGE COMPUTING/CYBER PHYSICAL SYSTEMS PER AZIONAMENTI ELETTRICI
- In fase di sviluppo all'interno del progetto regionale Acmec;
- Caratteristiche:
. Processori multicore eterogenei (uC/uP di classe PC e acceleratori HW);
. Potenza (inverter mosfet) a bordo;
. Acquisizione sensori standard per automazione industriale (correnti, encoder, temperatura);
. Gestione FieldBus High End: Ethercat, Gigabit Ethercat;
. RTOS ''home made'' con garanzie Hard RT.

Obiettivi:
- Controllo evoluto a bordo drive;
. Salto di paradigma rispetto allo standard;
. Abilita soluzioni meccaniche innovative;
. Es. meccanica flessibile per minimizzazione energia, materiale e ingombro;
. Approccio realmente meccatronico orientato a performance e sostenibilità.
- Inoltre: diagnostica a bordo drive (sede naturale per analisi correnti motore) con possibilità di interfacciamento verso edge
per diagnostica e/o PLC.