I sistemi embedded che combinano l’uso di IoT all’analisi dei dati raccolti permettono di tenere sotto controllo un sistema produttivo, evitando guasti e interruzioni. In poche parole: manutenzione predittiva
L’implementazione dei sistemi embedded sta sempre più prendendo piede nelle applicazioni industriali ed automotive attraverso l’impiego di sensori e intelligenza artificiale. L’obiettivo è controllare le operazioni di routine e raccogliere dati da diverse fonti, contribuendo così a creare un sistema robusto ed ottimizzato. Il mondo autonomo richiede soluzioni che identifichino in modo proattivo la possibilità di guasti e consumi energetici eccessivi, per garantire che la fabbrica intelligente funzioni in modo ottimale e sostenibile. I bracci robotici per il montaggio e saldatura sono continuamente in funzione, come lo sono tutti i loro componenti quali motori, laser. È proprio in questi ambienti che i programmi intelligenti sul modello della manutenzione predittiva rivelano la propria utilità.
La crescente domanda di batterie per esempio, richiede non solo sistemi di ricarica sempre più veloci e affidabili all’interno dei veicoli elettrici, ma anche sistemi di gestione delle batterie (BMS) affidabili. I BMS infatti sono diventati dei componenti essenziali per controllare e gestire le prestazioni dei pacchi batterie ad alta tensione che alimentano le auto. Di conseguenza, la fabbricazione di batterie richiede un attento processo durante tutto il ciclo di produzione.
La manutenzione predittiva permette quindi, attraverso tool per il monitoraggio, di controllare le prestazioni di dispositivi e sistemi durante il loro funzionamento all’interno di un ecosistema applicativo o processo di produzione. Il loro obiettivo è individuare un malfunzionamento, una anomalia e procedere alla messa in sicurezza o alla soluzione del problema per evitare spiacevoli conseguenze.
Quali sono le sfide emergenti per la manutenzione predittiva? Come può la tecnologia emergente affrontare queste sfide? Cerchiamo di dare delle risposte.
La tecnologia dietro la manutenzione predittiva
I sensori e i dispositivi Internet of Things (IoT) consentono l’acquisizione di dati relativi alle condizioni degli asset fisici che compongono un impianto industriale. Un esempio di asset fisico è un motore impiegato in un processo di traslazione per lo smistamento di oggetti. Sulle linee di produzione sono montate sonde o sensori di posizione e movimento che utilizzano metodi di rilevamento induttivi, ottici, fotoelettrici, potenziometrici (basati sulla resistenza) e altri per monitorare la posizione del prodotto o della macchina. Oppure un cuscinetto che sostiene un albero motore che trasmette la potenza: se il cuscinetto si rompe o degrada, l’asse non permette di girare correttamente il motore con il rischio di incidenti.
Questi dispositivi, connessi a Internet, includono sistemi embedded che automatizzano il processo di raccolta e analisi dati. Diversi tipi di sensori possono identificare le condizioni e lo stato degli asset, mentre le applicazioni di manutenzione predittiva combinano informazioni da più modalità di rilevamento per ottenere maggiore accuratezza attraverso algoritmi di intelligenza artificiale. I sensori di temperatura, vibrazione, umidità sono solo alcuni esempi di dispositivi che possono essere implementati per tenere sotto controllo gli asset fisici.
Le applicazioni IoT
Le applicazioni IoT nel settore dell’energia sono oggetto di particolare attenzione non solo per i processi industriali ma anche per il consumatore. Da un lato l’interesse a risparmiare il costo della bolletta, dall’altro le normative sulla gestione delle emissioni CO2 rendono queste applicazioni particolarmente attuali.
Il catalizzato dell’IoT è l’informazione o data, con miliardi di essi che viaggiano sulla rete. Dalla gestione dei big data è possibile sfruttare volumi di dati per identificare e valutare le condizioni operative e di malfunzionamento. I dati dei sensori vengono spesso analizzati insieme a quelli provenienti da sistemi aziendali come database di riferimento.
Le infrastrutture cloud offrono capacità, scalabilità e qualità per accedere in modo flessibile alle risorse di archiviazione e di elaborazione in tempo reale necessarie per gestire e analizzare i big data correlati alla manutenzione. La combinazione tra l’analisi dei big data e l’apprendimento automatico è essenziale e consente previsioni credibili sulla vita utile residua e altre condizioni critiche degli asset. Le tecniche di regressione vengono utilizzate per prevedere lo stato dei vari sottosistemi e fornire raccomandazioni prescrittive su come e quando procedere alla manutenzione.
Le sfide
Raccogliere ed elaborare enormi quantità di dati è senza dubbio una sfida importante e necessita di una quantità elevata di risorse computazionali. Inoltre, gli algoritmi di intelligenza artificiale impiegati per analizzare i dati devono prevenire falsi positivi che possono compromettere la fiducia del sistema, essere in pratica affidabili al 99.9%. L’impiego in ambienti difficili richiede al sistema complessivo di essere resiliente, ovvero progettato per funzionare in ambienti industriali complessi e spesso ostili, dove vibrazioni, temperature estreme e interferenze possono influenzare le prestazioni.
Edge AI
Nel corso degli anni l’intelligenza artificiale ha visto la crescita esponenziale di dati da analizzare affidandosi così al cloud con modelli complessi che richiedessero risorse computazionali. In un’architettura classica, i dati raccolti dai sensori o altri dispositivi embedded vengono inviati direttamente al cloud, dove vengono elaborati da modelli sofisticati. I risultati di questa elaborazione vengono quindi ritrasmessi ai dispositivi edge per prendere decisioni o eseguire azioni specifiche. Questo approccio presenta una limitazione sostanziale quale la latenza introdotta dal trasferimento dati tra il dispositivo e il cloud: situazione molto critica in applicazioni mediche ed automotive come l’assistenza alla guida.
L’intelligenza artificiale edge vuole superare questa limitazione riducendo drasticamente la latenza poiché i dati non devono più viaggiare avanti e indietro tra il dispositivo e il cloud. Invece di inviare grandi quantità di dati grezzi al cloud, questi sistemi possono elaborare e analizzare dati sensibili localmente senza mai lasciare il dispositivo.
I microcontrollori nei sistemi embedded sono chiamati a svolgere questi compito. L’integrazione di algoritmi AI con hardware specializzato permette di eseguire modelli complessivi direttamente sui chip. Nuove soluzioni progettate specificamente per l’edge AI, come le unità di elaborazione neurale (NPU) integrate nei microcontrollori, stanno rendendo sempre più possibile implementare modelli nei sistemi embedded. L’edge AI non solo riduce la latenza e migliora la sicurezza, ma ha anche il potenziale per ridurre i costi operativi.
Le soluzioni sul mercato
L’IoT sfrutta la potenza dell’intelligenza artificiale edge dove milioni di dispositivi interconnessi raccolgono e trasmettono dati in tempo reale. L’intelligenza artificiale edge consente di prendere decisioni autonome senza dover fare affidamento sul cloud per ogni singola operazione. Pensiamo al veicolo autonomo: la velocità di elaborazione è fondamentale e l’intelligenza artificiale edge consente ai veicoli di elaborare i dati dai sensori, come telecamere e lidar, direttamente a bordo riducendo così la latenza e consentendo al veicolo di reagire prontamente a situazioni impreviste.
A livello commerciale, possiamo evidenziare due soluzioni. Jericho3-AI di Broadcom migliora significativamente l’infrastruttura di rete necessaria per supportare le applicazioni AI edge. La tecnologia supporta fino a 32.000 GPU, offre funzionalità come bilanciamento del carico, funzionamento senza congestione e basso consumo energetico.
STMicroelectronics sviluppa dispositivi embedded per AI edge, con soluzioni che integrano le capacità AI direttamente nei dispositivi. In particolare, la serie STM32 include acceleratori AI integrati e sono progettati per eseguire algoritmi di apprendimento automatico direttamente sul dispositivo, consentendo un’elaborazione rapida e riducendo la latenza.
In figura, il kit STM32 B-L4S5I-IOT01A con ARM Cortex-M4 integrato, al microfono MEMS e all’accelerometro a tre assi. (Fonte: STMicroelectronics)
Un case study: sensori di vibrazione
All’inizio abbiamo fatto degli esempi dove la manutenzione predittiva può rappresentare un valore aggiunto, ovvero il motore e i cuscinetti. Il monitoraggio delle vibrazioni è un caso di analisi importante e i cuscinetti ne risentono in maniera particolare. Con il monitoraggio delle vibrazioni, è possibile rilevare i primi segnali in frequenza di eventuali anomalie o guasti in una macchina, consentendo quindi di intervenire tempestivamente per evitare future interruzioni nella produzione.
Le cause delle vibrazioni su macchine possono riguardare diverse situazioni. Le fonti più comuni di guasti includono: errori di dentatura nei riduttori, curvature degli alberi, elementi di montaggio difettosi. Il monitoraggio delle vibrazioni si basa sull’utilizzo di speciali sensori che possono essere installati sulla macchina stessa o sulla struttura che la ospita e possono essere di diversi tipi, come accelerometri, velocimetri o sensori di spostamento. I dati raccolti dai sensori di vibrazione vengono quindi trasmessi a un sistema di acquisizione dati come descritto in precedenza, che può essere un PC o una scheda di acquisizione.
Gli accelerometri Mems sono una categoria ampiamente impiegata, con una banda sufficientemente ampia per andare a catturare gli eventi più significativi ai fini della diagnostica e di una notevole ripetibilità. Inoltre, la robustezza meccanica, le piccole dimensioni e la capacità di operare su un ampio range di temperatura li rende particolarmente adatti per le applicazioni industriali.
Automotive
La manutenzione delle batterie nei veicoli elettrici è fondamentale per garantire prestazioni ottimali e una lunga durata: fattore quest’ultimo determinante soprattutto per il consumatore. I BMS tradizionali spesso faticano a monitorare accuratamente lo stato delle batterie e a prevederne il degrado, rendendo difficile ottimizzare le strategie di ricarica. Per superare queste limitazioni, i moderni BMS integrano tecniche di deep learning per stimare con precisione lo stato di salute delle batterie, tenendo conto della loro non linearità e dei processi di degrado (Figura 2).
L’integrazione di questi algoritmi nei BMS ridefinisce il modo in cui viene eseguita la ricarica dei veicoli elettrici, lavorando a stretto contatto con l’infrastruttura. L’analisi predittiva consente di modificare i parametri di ricarica in tempo reale, rende l’uso dei veicoli elettrici più efficiente ed ecologico e previene così il degrado delle batterie. Il BMS monitora parametri cruciali come tensione, corrente e temperatura delle celle, garantendo un funzionamento sicuro e affidabile. La comunicazione tra il BMS e il caricabatterie esterno permette infine di ottimizzare i profili di ricarica, bilanciare il carico e integrare la rete elettrica, offrendo così una diagnostica del processo di ricarica.
In figura, un esempio di BMS (Fonte: Texas Instruments (TI))
