verticale

Sviluppo ed applicazioni di Applied Intelligence nella manutenzione

Le soluzioni verticali basate su Big Data e Intelligenza artificiale per identificare segnali di funzionamento anomali e prevenire guasti.
SmartGateways, caratteristiche.
Applicazioni e Case study - ANAS.

Scarica il PDF Scarica il PDF
Aggiungi ai preferiti Aggiungi ai preferiti


Atti di convegni o presentazioni contenenti case history
MCM Milano aprile 2018 Tecnologie e soluzioni per implementare la manutenzione 4.0

Pubblicato
da Alessia De Giosa
MCM Milano 2018Segui aziendaSegui




Settori: 


Estratto del testo
Gli atti dei convegni e più di 9.000 contenuti su www.verticale.net Milano Applied Intelligence per l'industria 4.0 s.bovelli@sentetic.com www.sentetic.com /sentetic @SenteticSense speaker: Sandro Bovel i - s.bovel i@sentetic.com Mancato fatturato causato da guasti imprevisti. Dedicated workforce Logistic organization Continuous Monitoring = 'Scheduled maintenance can prevents only 18% of faults' (Source: Nasa, Reliability-Centered Maintenance Guide) Il problema - La manutenzione periodica è efficace' 90% of total cost of ownership speaker: Sandro Bovel i - s.bovel i@sentetic.com Sentetic sviluppa Soluzioni Verticali basate su Big data & Intelligenza artificiale per identificare segnali di funzionamento anomali e prevenire i guasti negli impianti industriali 5 Data collection without pain 1 'Azure Iot certified field-gateways
'Fino a 65.000 sensori connessi
'150+ protocol adapter per i più comuni standard industriali speaker: Sandro Bovel i - s.bovel i@sentetic.com Sentetic ' SmartGateways speaker: Sandro Bovel i - s.bovel i@sentetic.com ' Scheda a doppio microcontrol ore: ' ARM a 32 bit basato su core Cortex-M4 (STM32F4 prodotto da ST Microelectronics) ' ARM a 32 bit 'ibrido' basato su core Cortex-M3 + CPLD Integrato (PSoC5 prodotto da Cypress). ' Comunicazione radio basata su protocollo radio ZigBee ' Connessione su standard Ethernet (predefinita), opzionali WiFi e 2G/ 3G/4G ' Firmware completamente configurabile e programmabile in termini di utilizzo di specifici protocolli di remotizzazione e implementazione di logiche di routing arbitrarie Sentetic ' AutoML Appliance speaker: Sandro Bovel i - s.bovel i@sentetic.com Compact embedded controller con GPU Nvidia ad alte prestazioni, con software Sentetic preinstallati accessibili localmente o attraverso la LAN aziendale, in grado di effettuare l'addestramento in locale senza la necessità di inviare dati nel cloud 7 Flessibile: On cloud & On premises 2 'Soluzione SaaS solution per una installazione semplice ed economica 'API Rest per collegamento con sw di terze parti 'Optional On premises HPC appliance speaker: Sandro Bovel i - s.bovel i@sentetic.com SenteticCore ' Microservices Architecture speaker: Sandro Bovel i - s.bovel i@sentetic.com 8 Plug'n play Artificial Intelligence 3 'Identificazione Automatica dei modelli predittivi 'Apprendimento continuo e miglioramento delle performance 'Classificazione autonoma delle anomalie per correlazione con guasti
specifici speaker: Sandro Bovel i - s.bovel i@sentetic.com SenteticCore ' Self learning DataRobot Un clone digitale per il monitoraggio automatico dei dispositivi I dati provenienti da dispositivi hardware e/o database vengono integrati in un unico agente software virtuale, che apprende il normale funzionamento del sistema monitorato, selezionando mediante algoritmi genetici il miglior modello predittivo speaker: Sandro Bovel i - s.bovel i@sentetic.com Applicazioni e Case study s.bovelli@sentetic.com www.sentetic.com /sentetic @SenteticSense Case study #1 Modello predittivo della vita utile di una turbina Definizione del problema e dati disponibili Analisi preliminare dei dati disponibili ' 100 cicli di vita misurati su diversi dispositivi (stesso modello) ' 20 parametri misurati durante il singolo ciclo + 4 parametri elaborati ' I dati corrispondono alla normale operatività fino al verificarsi di un guasto. Dettaglio di un singolo ciclo di vita Dettaglio del numero di cicli utili prima di un guasto Distribuzione di probabilità di guasto Dettaglio del numero di cicli utili prima di un guasto Rilevazione delle anomalie nelle sequenze temporali Al fine di identificare in maniera automatica le anomalie, viene effettuata una autoregressione della sequenza su una funzione monotonica crescente (es. ore lavorate) Grazie a questo tipo di analisi è possibile implementare un modello di anomaly detection non supervisionato, che eventualmente può essere integrato con dati storici di funzionamento o feature categoriche. Risultati Confronto numero di cicli utili rimanenti (RUL) con i dati sperimentali Errore sul numero di cicli operativi rimanenti Case study #2 Anas Spa
Manutenzione predittiva di infrastrutture basata sui dati
'Sentetic SmartBridge' Scopo del progetto Lo scopo del progetto Sentetic 'SmartBridge' è quello di determinare l'affidabilità di un sistema di analisi dinamica del comportamento di opere stradali, utilizzando una rete di sensori accelerometrici e di condizioni ambientali, in grado di modellare accuratamente la relazione tra il comportamento dell'opera in condizioni di normale utilizzo correlato al e condizioni ambientali (clima e traffico) e rilevare cambiamenti significativi nella risposta statica e dinamica di una infrastruttura stradale (viadotti, ponti e cavalcavia). Sensori accelerometrici Quadro elettrico di controllo e alimentazione Descrizione del sistema Direzione di marcia Direzione di marcia L'acquisizione dei dati viene effettuata mediante n° 24 sensori instal ati lungo il cordolo esterno alla carreggiata, 12 per ogni lato del a stessa. Ogni stringa è col egata ad un quadro elettrico di control o alimentato da pannel i solari I sensori instal ati sono accelerometri triassiali MEMS Descrizione del sistema Analisi del a qualità dei dati Real time data 1. Deviazione standard del 'accelerazione 2. Dettaglio del 'accelerazione media, massima e minima in tempo reale ' ' Model azione - Motivazioni Real time data Dal 'analisi dei dati si nota come ci sia una significativa correlazione tra la temperatura e l'andamento del 'offset estratto dai sensori. Come era previsto, la temperatura è uno dei parametri che maggiormente influenza le caratteristiche strutturali del 'opera. Model azione ' Analisi preliminare Real time data 1. Temperatura sensori 2. Temperatura del a struttura 3. Umidità sensori e Quadro elettrico 4. Variazione Gradienti Temperatura 5. Andamento Offset da SensorCortex ' ' ' ' ' Model azione ' Risultati model o statico Risultati 1. il sistema è riuscito ad creare model i interpretativi estremamente precisi dopo appena un mese di acquisizione dati 2. l'errore massimo si è attestato su valori inferiori a 3x10-4g, con una deviazione standard pari a 2x10-5g, inferiore di due ordini di grandezza al a precisione di riferimento del sensore. Model azione ' Simulazione guasto sensore Determinazione del livel o di errore Un'ulteriore caratteristica peculiare del sistema sentetic è la individuazione automatica del livel o di errore atteso, calcolato con reti bayesiane profonde, che permette di determinare il livel o di confidenza del model o, e quindi la sensibilità a deviazioni dai valori attesi, in maniera autonoma e senza la definizione di soglie che potrebbero essere stimate in maniera non corretta. Analizzando nel dettaglio i grafici, si nota come il sistema abbia stimato correttamente il livel o di errore nel e ore a maggiore irraggiamento, dove la presenza di nuvole o zone d'ombra provoca una maggiore varianza nel e temperature misurate dai sensori. Model azione ' Analisi dinamica Modellazione dinamica Parallelamente al model o statico (o a dinamica lenta), è stato sviluppato il model o di analisi dinamico basato sulla classificazione del e frequenze caratteristiche del 'opera. Come è possibile notare in figura, a seconda del 'intensità del a perturbazione, vengono attivati diversi modi vibrazionali del a struttura, che sono caratteristici del o stato strutturale del a stessa. Model azione ' Analisi dinamica Pre-Processing dei dati Al fine di bilanciare correttamente l'insieme di dati per l'addestramento, vengono utilizzate le informazioni estratte dai microcontrol ori in fase di pre-processamento dei dati. Grazie a questo tipo di analisi è possibile separare il rumore di fondo, corrispondente al 'assenza di traffico, dal e vibrazioni prodotte dal passaggio di veicoli Model azione ' Analisi dinamica Independent Component Analysis ' La direzione, l'ampiezza e la curvatura sono correlate alla velocità e intensitò del a sol ecitazione, ed il loro insieme definisce una frazione ben precisa del o spazio del e fasi, che ci permette di identificare un'area di probabilità ben definita. ' vengono analizzati circa 500.000 campioni (1 Megabyte di dati), corrispondenti a circa 2 ore e 45 minuti di traffico. Alla fine del processo di analisi, i dati necessari per costruire la funzione di probabilità corrispondono a circa 550 punti (2.2 Kilobyte), con un rapporto di compressione di 1/450. Anomaly detection ' Sinottico Anomalie DashBoard Sinottico Anomalie Generali E' riportato la visualizzazione del comportamento generale del 'opera, dove si può notare una sostanziale corrispondenza tra il model o addestrato ed i dati rilevati, pur con una rilevante variabilità del a dinamica del sistema, a conferma del a bontà del e assunzioni fatte. Anomaly detection ' Anomalie sensore DashBoard Sinottico Anomalie Generali Un significativo switchpoint in uno dei sensori è stato correttamente identificato dal sistema (zona rossa del grafico in alto a sinistra). In basso a destra viene riportato il livel o di errore e la banda di confidenza che attiva la segnalazione automatica del 'anomalia. In questo caso il sistema segnala soltanto l'anomalia legata al sensore, al fine di evitare falsi positivi relativi al 'intera struttura. Sentetic vs Monitoraggio tradizionale 9% COSTI DI INSTALLAZIONE Sentetic Altro 5% TRAFFICO DATI Sentetic Altro 10% COSTI HARDWARE Sentetic Altro Abilitazione di nuove funzionalità 't = 1.820s Segnali provenienti da diversi sensori relativi al o
stesso evento
Il passaggio di un veicolo viene registrato da due sensori
distanti con uno sfasamento temporale. Calcolando la
distanza tra i massimi relativi dei due segnali, è possibile
stimare con buona approssimazione la velocità del mezzo
(in questo caso circa 120km/h). make sense to data s.bovelli@sentetic.com www.sentetic.com /sentetic @SenteticSense Thanks!

Document Outline

Diapositiva numero 1 Diapositiva numero 2 Diapositiva numero 3 Diapositiva numero 4 Diapositiva numero 5 Sentetic ' SmartGateways Sentetic ' AutoML Appliance Diapositiva numero 8 SenteticCore ' Microservices Architecture Diapositiva numero 10 SenteticCore ' Self learning DataRobot Diapositiva numero 13 Case study #1 Modello predittivo della vita utile di una turbina Definizione del problema e dati disponibili Analisi preliminare dei dati disponibili Dettaglio di un singolo ciclo di vita Dettaglio del numero di cicli utili prima di un guasto Distribuzione di probabilità di guasto Dettaglio del numero di cicli utili prima di un guasto Risultati Case study #2 Anas Spa Scopo del progetto Descrizione del sistema Descrizione del sistema Analisi della qualità dei dati Modellazione - Motivazioni Modellazione ' Analisi preliminare Modellazione ' Risultati modello statico Modellazione ' Simulazione guasto sensore Modellazione ' Analisi dinamica Modellazione ' Analisi dinamica Modellazione ' Analisi dinamica Anomaly detection ' Sinottico Anomalie Anomaly detection ' Anomalie sensore Sentetic vs Monitoraggio tradizionale Abilitazione di nuove funzionalità Thanks!


In evidenza

ExxonMobil
Grassi Mobilâ„¢ - Formulati per fornire elevate prestazioni anche in condizioni operative estreme
2G Italia
Cogenerazione e trigenerazione dal leader tecnologico mondiale
SD Project
SPAC : Il Software per la progettazione Elettrica
© Eiom - All rights Reserved     P.IVA 00850640186