Il data analytics è diventato l’alleato naturale per riuscire a mettere a fattor comune la ricchezza di dati acquisibili da un ambiente dotato di una sensoristica estesa e basato su approccio IoT. Per potere creare applicazioni che possono avvantaggiarsi dell’elevata disponibilità di dati occorre essere in grado di sviluppare e creare modelli matematici, applicando tecniche di machine learning e deep learning.

Come è noto, MATLAB è lo strumento utilizzato in tutto il mondo nello studio di problemi ingegneristici. In combinazione con Simulink supporta i sistemi IoT aiutando a sviluppare e testare dispositivi intelligenti, ad accedere e collezionare dati dal cloud e ad analizzare dati. Non è quindi un caso che le tecnologie di MathWorks si stiano progressivamente affermando per realizzare sistemi evoluti di Big Data Analytics.

MATLAB è usato da milioni di ingegneri e scienziati di tutto il mondo per analizzare e progettare i sistemi e i prodotti che trasformano il nostro mondo. E’ presente nei sistemi di sicurezza attivi delle automobili, nei vettori spaziali, nei dispositivi medicali di monitoraggio, nelle reti elettriche intelligenti e nelle reti per cellulari di nuova generazione. MATLAB è inoltre utilizzato per l’apprendimento automatico, l’elaborazione di segnali, l’elaborazione di immagini, la visione artificiale, le comunicazioni, la finanza computazionale, la progettazione di controllo, la robotica e molto altro.

Il data analytics è diventato l’alleato naturale per riuscire a mettere a fattor comune la ricchezza di dati acquisibili da un ambiente dotato di una sensoristica estesa e basato su approccio IoT. Per potere creare applicazioni che possono avvantaggiarsi dell’elevata disponibilità di dati occorre essere in grado di sviluppare e creare modelli matematici, applicando tecniche di machine learning e deep learning.

MATLAB in combinazione con Simulink si è affermato nel corso degli anni come una tecnologia abilitante alla creazione di applicazioni IoT. Ne è un esempio l’elevato interesse e il gran numero di esperienze maturate all’interno della comunità di utenti di MATLAB. In particolare, una delle aree di maggior sviluppo è rivolta a ottimizzare la fase di manutenzione dei sistemi installati in ambienti di produzione.

Spesso le macchine e gli impianti di produzione moderni hanno una durata di 20 anni o più. In questo intervallo di tempo, i macchinari operano normalmente per 24 ore al giorno,  sette giorni alla settimana. Ogni interruzione non programmata per interventi di manutenzione o riparazione costa denaro e riduce il rendimento dell’impianto. Con la Preventive Maintenance – manutenzione effettuata a determinati intervalli di tempo, definiti in base ai cicli delle macchine – si compie un primo passo, riducendo il rischio di un’interruzione della produzione dovuta a usura o a rottura dei componenti.

Tuttavia, ora viene compiuto un passo ulteriore rispetto dalla “manutenzione preventiva”, attraverso alla Predictive Maintenance ovvero la capacità di rilevare continuamente le grandezze più significative a bordo della macchina o sull’impianto, quali le oscillazioni o le temperature, per poi trattarle opportunamente tramite algoritmi adeguati. Ad esempio, la presenza di picchi in un diagramma spettrale possono segnalare la presenza di vibrazioni, che suggeriscono la presenza di usura dei cuscinetti.

L’impiego della Predictive Maintenance definisce in modo ottimale i momenti in cui effettuare la manutenzione, garantendo il numero minimo di interruzioni della produzione e uno sfruttamento ottimale delle capacità produttive disponibili.

Un ulteriore progresso si ottiene attraverso manutenzione predittiva basata sui modelli, vale a dire Model-Based Predictive Maintenance. Con l’uso di un adeguato modello di osservazione, questa consente di dedurre dai valori misurati quale sia lo stato di grandezze non acquisite tramite la misurazione di variabili sensibili. Il vantaggio di questo metodo, oltre al risparmio di sensori e dei loro cablaggi, è la possibilità di acquisire grandezze difficilmente misurabili o non misurabili direttamente.

Tutte le evoluzioni sin qui descritte sono state ampiamente assimilate dall’ambiente di sviluppo che viene reso disponibile da MathWorks, ambiente che può essere considerato come una vera piattaforma abilitante alla nuova generazione applicativa che fa capo alla predictive maintenance.

 


Sviluppo di Modelli di Predictive Maintenance

L’impiego di MATLAB per lo sviluppo di funzioni per la Predictive Maintenance garantisce all’utente la possibilità di rilevare e valutare dati acquisiti dalla macchina (ad. es. a partire da un server OPC). In questo modo l’utente ha accesso a una vasta gamma di funzionalità pronte all’uso (ad. es. per l’analisi delle frequenze) pur mantenendo la piena flessibilità nell’implementazione dei propri algoritmi.

I modelli sviluppati in Simulink supportano l’utente nella creazione ed esecuzione della sua soluzione per la Model-Based Predictive Maintenance. La generazione automatica di codice tramite MATLAB Coder, Embedded Coder (C/C++) e Simulink PLC Coder (IEC61131-3 Structured Text) trasforma gli algoritmi sviluppati per la Predictive Maintenance in codice eseguibile per i controller di tipo embedded e per i controllori logici programmabili (PLC).