Verticale
Verticale

Piattaforme controllo industriale

Evoluzione piattaforme controllo industriale: PLC, cloud ed edge computing per nuove funzioni di diagnostica e controllo

Sommario

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

Piattaforme di controllo e trend attuali

Piattaforme di controllo

1. Controllori Industriali:
PLC - Motion controllers - DCS

Caratteristiche:
- Pensati per vasto insieme di applicazioni "comuni" (general purpose);
- HW Modulare;
- Oggi architettura tipo PC (PC Industriali);
- SW: S.O Real-Time commerciali+ IDE Standard.

2. Controllori Embedded:
Controllori Azionamenti

Caratteristiche:
- Pensati per specifiche applicazioni target;
- HW fortemente customizzato;
- DSP e ?C (oggi anche FPGA);
- SW: S.O Real-Time custom e "leggeri"+ IDE basso liv.


Architettura Tipica (Sopratutto in Ind.Manifatturiera):

Caratteristiche:
- Struttura Master (PLC) Slave (µC o DSP nel Drive) piuttosto "bloccata";
- Interazione (lato PLC) con livelli superiori della Piramide dell'Automazione limitata.

Considerazioni:
- Oggi questa struttura "tradizionale" è messa in discussione nell'ambito di Industria 4.0;
- Distinzione sempre meno netta tra Controllori Industriali ed Embedded;
- Possibilità di connessione e comunicazione avanzate e distribuite.


Trend attuali

Lato Controllori Industriali
- Accrescimento performance di calcolo che li rende in grado di:
. Ospitare funzionalità solitamente effettuate dal Cloud;
. Diventano Unità Edge rispetto al Cloud Computing.

Lato Controllori Embedded
- Possibile connettività "diretta" verso rete/cloud nell'ottica IIoT:
. Non più solo slave rispetto al PLC.


SENSORI/ATTUATORI "SMART"

Sensori e Attuatori Intelligenti
- Forniscono informazioni aggiuntive rispetto a quelle dei trasduttori "di processo'';
- Dati convogliati verso servizi di alto livello, solitamente Cloud-based:
. "Concentratori" dedicati o passaggio tramite PLC;
. Protocolli specifici (es. OPC UA), ma anche del mondo delle sensor networks (MQTT, CoAP).


Remark:
- Attenzione a ''preservare'' e gestire correttamente il real-time (modello di esecuzione sotto controllo);
- Attenzione a ''coerenza temporale'' dei dati acquisiti: time-stamping:
. Feature Field-bus ad alte prestazioni garantiscono range di precisione elevate (al microsecondo);
. Spesso non integrate in ottica comunicazione IIoT.

ESEMPI DA ESPERIENZA UNIBO - LIAM LAB

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.

Conclusioni

OFFERTA FORMATIVA UNIBO NEL SETTORE

DUE PERCORSI

Laurea Profesionalizzante in Meccatronica
https://corsi.unibo.it/laurea/IngegneriaMeccatronica
Durata: 3 anni
Coordinatore: Prof. Lorenzo Marconi

Laurea triennale in Ingegneria dell'Automazione e MSc. in Automation Engineering
https://corsi.unibo.it/laurea/IngegneriaAutomazione
https://corsi.unibo.it/2cycle/AutomationEngineering
Durata: 3+2
Coordinatore: Prof. Giuseppe Notarstefano


MECCATRONICA
- Obiettivo: Formazione tecnici altamente specializzati nel campo dell'automazione industriali;
- Si persegue conoscenza significativa, combinata con competenze operative, delle soluzioni tecnologiche in uso;
- Focus su architetture più ''tradizionali'' e ad oggi ancora popolari nel tessuto industriale limitrofo.

INGEGNERIA DELL'AUTOMAZIONE
- Obiettivo: Formazione di ingegneri nel settore automazione, con conoscenze avanzate e capacità di progettazione/innovazione;
- Si persegue conoscenza approfondita delle materie tecniche caraterizzanti il settore;
- Focus anche su tematiche innovative e cutting-edge, es. cross contaminazione tra controlli automatici ML e AI.

Articoli tecnico scientifici o articoli contenenti case history
Fonte: PLC Forum Web Edition febbraio 2021 Presente e futuro dei sistemi di controllo e supervisione per l'automazione degli impianti
Aggiungi ai preferiti Aggiungi ai preferiti


Settori: , , , , ,


Parole chiave: , , , , ,
© Eiom - All rights Reserved     P.IVA 00850640186