Mipu

Predictive Hub

Data Science

ENERGIA COME SEGNALE PER LA RIDUZIONE DELL’IMPATTO AMBIENTALE E L’AUMENTO DELLA CUSTOMER EXPERIENCE

by

ENERGIA COME SEGNALE PER LA RIDUZIONE DELL’IMPATTO AMBIENTALE E  L’AUMENTO DELLA CUSTOMER EXPERIENCE in BENETTON GROUP

Sostenibilità, innovazione digitale, incremento di efficienza economica, evoluzione dei touchpoint tra brand e cliente rappresentano le sfide di sviluppo future indifferibili per Benetton Group. In questo articolo spieghiamo come l’energia è stato utilizzata in Benetton come segnale per la riduzione dell’impatto ambientale e l’aumento della customer experience.

Lo store, nella sua essenza di celebrazione del brand, di punto di contatto fisico e digitale, di luogo di comunicazione ma anche di tradizionale unità produttiva, deve essere in grado di trasmettere i concetti di sostenibilità, di innovazione tecnologica, di attenzione al cliente e di efficienza gestionale. In questo articolo presenteremo come un utilizzo creativo, non convenzionale e tecnologicamente avanzato del vettore energetico possa contribuire a raggiungere un così sfidante obiettivo.

E’ grazie alla capacità di produrre e di gestire l’energia che l’umanità si è evoluta. In particolare negli ultimi secoli l’umanità è riuscita in breve tempo ad innalzare la qualità di vita ed i livelli di reddito per gran parte della sua popolazione come mai era successo prima. L’energia, quindi, è stata (ed ancor più lo è oggi) il “motore” del mondo.

Nella seconda metà del ‘700, attraverso la macchina a vapore si è meccanizzata la produzione nel settore tessile e metallurgico: fu la prima rivoluzione industriale. A partire dal 1870, l’introduzione dell’elettricità, dei prodotti chimici, del motore a scoppio con conseguente utilizzo del petrolio come fonte energetica avviarono la seconda rivoluzione. Negli anni ‘70, con la nascita dell’informatica e l’avvento dell’era digitale destinata ad incrementare i livelli di automazione industriale, ebbe inizio la terza rivoluzione industriale.

LA QUARTA RIVOLUZIONE INDUSTRIALE

Oggi siamo nel pieno di una nuova fase di trasformazione radicale ancora più dirompente e vorticosa delle precedenti, comunemente definita come quarta rivoluzione industriale caratterizzata dai progressi di nuove tecnologie quali:

  • – L’intelligenza artificiale (AI), computer in grado di “pensare”, riconoscere modelli complessi, elaborare informazioni, trarre conclusioni e formulare previsioni. Le macchine, alimentate da una gran mole di dati, imparano e agiscono (machine learning).
  • – L’internet delle cose (IoT) ovvero la possibilità che gli oggetti di tutti i giorni siano connessi ad internet, identificabili e comandabili da altri dispositivi.
  • – Le nuove tecnologie computazionali in grado di elaborare velocemente enormi quantità di dati attraverso computer estremamente più potenti, capaci di implementare logiche AI e creare in pochi secondi modelli molto complessi.
  • – Il “cloud” che consente di archiviare ed accedere in modo sicuro alle proprie informazioni da ogni luogo ed in ogni istante.

Infine la robotica, la stampa 3D, la realtà virtuale (VR), materiali innovativi (tra cui plastiche, leghe metalliche e biomateriali), ecc.

Queste nuove tecnologie sono in grado di mutare anche le aspettative dei clienti permettendo alle aziende di offrire una maggiore personalizzazione ed un’esperienza mirata. Mai come adesso l’energia è protagonista sia come abilitatore di questa quarta rivoluzione sia come tema centrale nel dibattito sociale ed ambientale. L’aumento esponenziale delle necessità energetiche provocate dalle evoluzioni sopraddette è la causa principale del cambiamento climatico.

L’energia stessa, grazie alle nuove tecnologie, può essere utilizzata in qualità di indicatore di comportamento. In questo modo si può effettuare costantemente il controllo del consumo energetico ed il confronto con una baseline ottimale. Essere in grado di rendere più efficienti i sistemi energivori è la principale sfida per la lotta al climate change e per garantire uno sviluppo futuro sostenibile.

CONTESTO AZIENDALE

 Benetton Group è una delle aziende italiane di moda più note al mondo per la sua consolidata identità di stile, colore e qualità a prezzi “democratici”. Fondata negli anni ‘60 a Ponzano Veneto, in provincia di Treviso, è presente globalmente con i suoi due marchi principali, United Colors of Benetton e Sisley, attraverso una rete di circa 4.500 punti vendita gestiti direttamente o attraverso partner commerciali indipendenti.

NECESSITÀ

Benetton Group ha intrapreso un percorso di ricerca con l’idea di sviluppare un innovativo concept per un retail store sostenibile, digitale, tecnologicamente avanzato. Il nuovo store, oltre ad utilizzare materiali ed arredi ricavati dagli scarti dell’industria tessile con una visione “circolare”, punta, attraverso l’utilizzo delle tecnologie più innovative, ad una forte riduzione dei consumi energetici e quindi di emissioni di CO2 incrementando, al contempo, il benessere del cliente e la sua “experience”.

“Data analysis and artificial intelligence to increase energy efficiency in retail stores” è il titolo del progetto che qui viene presentato. I suoi risultati, in un’ottica futura, potranno essere estesi a tutto il network globale dei punti vendita con impatti estremamente significativi in termini di sostenibilità ed efficienza.

SOLUZIONE

 Il primo obiettivo che ci si è posti è stato quello di ridurre il consumo energetico di ogni punto vendita del 20% a parità di hardware e di comfort degli utenti. In altre parole la riduzione dei consumi potrà essere conseguita soltanto con modifiche di natura gestionale, compatibilmente con la valorizzazione massima dell’esperienza del cliente.

Per raggiungere tale obiettivo si è progettato un sistema di raccolta, analisi e storicizzazione dei molteplici dati provenienti dal punto vendita. I dati così raccolti vengono valorizzati per alimentare intelligenze artificiali in grado agire in modo autonomo nella regolazione degli impianti di climatizzazione, di illuminazione e di qualsiasi fonte energivora presente all’interno dello store.

Il punto fondamentale per costruire intelligenze di questo tipo è alimentarle con una base dati sufficientemente ampia attraverso cui possano “imparare” ad agire nel modo più completo possibile.

La soluzione si è indirizzata da una parte verso la creazione di un sensore IOT multiparametrico e miniaturizzato sviluppato ad hoc (nell’immagine sotto) in grado di rappresentare le condizioni ambientali e di comfort negli spazi del punto vendita. Dall’altro verso l’implementazione di un sistema con logiche di controllo AI per i principali usi energetici significativi dello store.

LE FASI DELLA RICERCA APPLICATA

Le attività di ricerca applicata si sono sviluppate in cinque fasi:

1. Individuazione dei parametri ambientali e tecnici con cui alimentare le intelligenze 

Sono stati valutati fattori meteorologici quali temperatura e umidità, vento, irraggiamento, pioggia; fattori relativi all’involucro edilizio e location; fattori interni quali temperatura e umidità, consumo di energia, illuminazione, qualità dell’aria, indici di affollamento. Si sono selezionati i seguenti parametri: 

  • – Temperatura: predittore del comfort termico
  • – Umidità
  • – Luminosità
  • – Concentrazione di composti organici volatili: impiegata come indicatore della salubrità dell’ambiente
  • – Rumore: predittore dell’indice di affollamento.
2. Progettazione e realizzazione del sensore

I principali ostacoli superati sono stati il numero di misure da rilevare e la dimensione. Il diametro del sensore infatti doveva essere inferiore a 6 cm in modo da potersi integrare nell’architettura del punto vendita.

Il livello di miniaturizzazione raggiunto dal multi-sensore permette di disporre di un device unico in termini di ingombri in relazione alle grandezze fisiche misurate.

3. Clusterizzazione punti vendita e audit energetici

La rete di punti vendita è stata suddivisa in cluster in base alla consistenza impiantistica, alla dimensione, alla conformazione, alla posizione geografica, agli orari di apertura. Per ogni cluster è stata svolta un’analisi volta a caratterizzare gli utilizzi dell’energia e a creare una baseline come riferimento per la misurazione dei risultati.

 

4. Progettazione del sistema complessivo

L’architettura prevede l’installazione di una serie di sensori, secondo le dimensioni e caratteristiche dello store. Ogni sensore si collega in wireless al gateway installato nel quadro elettrico. I gateway, oltre a comunicare i dati alla piattaforma software Rebecca, agiscono anche come attuatori per minimizzare i consumi energetici di climatizzazione ed illuminazione. Infine essi funzionano anche come energy meter.

5. Predisposizione della piattaforma

La piattaforma prevede una user experience dedicata per ogni tipologia di utilizzatore: store manager, facility ed energy manager, procurement energetico, clienti, comunicazione.

Le funzionalità presenti prevedono:

  • – raccolta, integrazione e storicizzazione dei dati;
  • – controllo delle prestazioni energetiche e raggiungimento obiettivi prefissati;
  • – matrice di criticità dei negozi;
  • – benchmark tra negozi;
  • – creazione e gestione del ciclo di vita di intelligenze artificiali in grado di controllare il sistema di luci e di climatizzazione;
  • – creazione e gestione di intelligenze con funzionalità di manutenzione predittiva sui componenti del negozio selezionati di volta in volta.

 

APPLICAZIONI NEL NEGOZIO

L’intelligenza artificiale apprende quale dovrebbe essere il comportamento atteso del sistema di climatizzazione al variare delle condizioni ambientali e del numero di persone presenti nei vari punti dello store. E’ dunque in grado di agire in autonomia sul sistema di climatizzazione con la duplice finalità di ridurre il consumo energetico e di garantire il comfort dell’utente.

Confrontando il consumo energetico atteso con quello effettivo, l’intelligenza è in grado di segnalare malfunzionamenti ed inefficienze in modalità semplice e visuale.

L’illuminazione invece viene modulata in funzione dell’intensità luminosa, dei VOC, della CO2 e del rumore, in grado di rappresentare l’affollamento. Le luci sono modulabili in base alla presenza di persone in date zone dello store. I controlli e le modulazioni vengono attuate on edge dal gateway, mentre in cloud sono stati implementati modelli di AI in grado di monitorare lo stato di salute degli asset ed impianti principali. Analoghe funzionalità vanno a regolare le rimanenti fonti energivore presenti nello store.

La piattaforma si è prestata ad un ampliamento di utilizzo al fine di permettere anche un automatic bill verification ovvero un sistema automatico di verifica, controllo ed analisi dello storico delle bollette energetiche ottimizzando così i costi di gestione.

IN UN PROSSIMO FUTURO

I parametri rilevati dal sensore multi-parametrico consentono non solo di rilevare le condizioni ambientali mutate dalla presenza umana all’interno dello store, ma possono agire anche al contrario. È possibile rilevare la presenza ed il comportamento dell’utente a partire dalle modifiche dei vettori energetici.

Se questo tipo di inferenza è sicuramente debole rispetto a quanto analizzabile con sistemi specifici (beacon, telecamere), dobbiamo tener presente che la soluzione di cui parliamo è in primis una soluzione di gestione dell’energia. L’idea di monitorare il cliente e le sue interazioni nel “touchpoint store” con un sistema la cui presenza è così discreta e rispettosa potrebbe rappresentare opportunità di esplorazione futura. Del resto, se le intelligenze artificiali possono supportare gli obiettivi di efficienza e sostenibilità, è il cliente, la sua soddisfazione e le sue necessità che qualsiasi azienda deve porre al centro.

CONCLUSIONE

La possibilità di disporre di una soluzione software flessibile che renda l’AI scalabile e facilmente replicabile, collegata all’architettura hardware in campo che garantisce la raccolta dei dati necessari, rende possibile declinare questo sistema di ottimizzazione e controllo delle performance in molti ambiti retail.

Il risparmio energetico che ne consegue, l’ottimizzazione della gestione della manutenzione –  attivando gli interventi solo se i modelli in cloud intercettano un degrado nel corretto funzionamento degli assets – unito all’attenzione verso il comfort di clienti e dipendenti effettivamente presenti nello spazio di vendita permettono di raggiungere gli obiettivi aziendali di sostenibilità, innovazione, comunicazione, attenzione al cliente ed infine di efficienza gestionale.

———

A cura di:

Benetton Group SpA, Divisione Engineering & Facility Management.

Questo è solo uno delle tante storie di successo raccontate dai nostri clienti nel libro Storie di Fabbrica Predittiva. Richiedi una copia oppure contattaci per approfondire l’argomento, insieme possiamo pensare un progetto su misura per rispondere alle tue esigenze.

ENERGIA COME MOTORE DI CONOSCENZA CONDIVISA in MENZ & GASSER

by

ENERGIA COME MOTORE DI CONOSCENZA CONDIVISA in MENZ & GASSER 

Molte aziende spendono milioni o addirittura miliardi di dollari in energia ogni anno. Questo non è solo costoso, ma rappresenta anche un’opportunità spesso trascurata per ridurre il rischio, aumentare la resilienza e aggiungere valore su tutta la linea.

Man mano che le preoccupazioni ambientali diventano più urgenti ed emergono nuove tecnologie, le aziende devono rispondere a questi cambiamenti con una solida strategia energetica. Questo articolo offre una struttura in cinque fasi per rinnovare la politica energetica di un’azienda:

  • – creare un mandato di alto livello;
  • – integrare gli obiettivi energetici nella visione e nelle operazioni;
  • – monitorare i progressi a livello aziendale;
  • – sfruttare le nuove tecnologie e coinvolgere le parti interessate.

In questo modo l’energia può essere utilizzata come motore di conoscenza condivisa.

 

ENERGIA: ELEMENTO STRATEGICO O SEMPLICE COSTO?

Nel settore industriale l’energia è uno degli input fondamentali insieme alle materie prime e l’acqua. Viene utilizzata soprattutto per il riscaldamento e il raffreddamento degli ambienti, per i forni industriali, essiccatoi, evaporatori e concentratori.

Le grandi aziende spendono milioni in energia ogni anno, e più indirettamente in costi di supply chain, outsourcing e logistica. Tuttavia, al di fuori delle industrie ad alta intensità energetica, la maggior parte delle aziende considera l’energia semplicemente come un costo da gestire. Questo è un errore strategico che trascura enormi opportunità per ridurre il rischio, migliorare la resilienza e creare nuovo valore.

Oggi l’energia sta scalando l’agenda aziendale, a causa delle radicali tendenze ambientali, sociali e di business, inclusi i cambiamenti climatici e la regolamentazione globale del carbonio, l’aumento delle pressioni sulle risorse naturali, le crescenti aspettative sulle prestazioni ambientali aziendali, le innovazioni nelle tecnologie energetiche e nei modelli di business e crollo dei prezzi delle energie rinnovabili. Questi megatrend cambiano il contesto in cui operano le imprese e le aprono a nuovi rischi e nuove strade per la creazione di valore.

Nella visione classica della strategia di Michael Porter, le aziende creano vantaggio mantenendo bassi i costi o differenziando. Le scelte che un’azienda fa in merito all’approvvigionamento e al consumo di energia possono influenzare profondamente la sua struttura dei costi. E il modo in cui gestisce gli impatti ambientali e climatici del suo utilizzo di energia, principalmente le emissioni di carbonio, è un elemento di differenziazione sempre più importante per consumatori, investitori e clienti aziendali.

ENERGY MANAGEMENT

Si può definire l’Energy Management come “Giudizioso ed efficiente utilizzo dell’energia al fine di massimizzare i profitti e migliorare la posizione competitiva” (Cape Hart, Turner e Kennedy, nell’articolo “Guide to Energy Management”). La massimizzazione dei profitti è un aspetto legato alla riduzione dei costi e ciò pone l’accento sul ruolo determinante che coprono i costi dell’energia all’interno del quadro dei costi sostenuti da un’azienda durante la propria fase produttiva.

Il miglioramento della posizione competitiva va ben oltre i vantaggi connessi con una struttura dei costi meno pressante e si inserisce in un contesto ancora più ampio che vede l’azienda in grado di gestire i consumi energetici in maniera più flessibile. Questo permette ad esempio di reagire in maniera rapida ed indolore ai cambiamenti imposti dalle normative in ambito ambientale.

La gestione dell’energia ha implicazioni generali che coinvolgono tutti i segmenti della vita di una nazione anche se in molte aziende è tuttora una questione a bassa priorità. Spesso si riscontrano tentativi isolati di riduzione dei consumi (con beneficio limitato in entità e durata) piuttosto che un approccio sistemico al problema che verrebbe riconosciuto positivamente dalle forze sociali esterne all’azienda (cittadini, amministrazioni locali..).

I PRINCIPI PER UNA CORRETTA GESTIONE DELL’ENERGIA

Possiamo individuare tre principi fondamentali alla base di una corretta gestione dell’energia riassumibili in:

  • – Dotarsi di energia al costo più basso possibile;
  • – Minimizzare le perdite e gli sprechi di energia all’interno del sistema;
  • – Utilizzare sempre la tecnologia più appropriata dal punto di vista energetico.

Questi principi sottintendono la presenza di un complesso insieme di conoscenze e capacità, tra le quali:

  • – Conoscenza del mercato dell’energia/auto-produzione energetica;
  • – Capacità di gestire adeguatamente i rapporti con i contractors ed i fornitori di energia;
  • – Conoscenza della struttura dei consumi energetici;
  • – Conoscenza di tecniche analitiche per la valutazione dei consumi energetici;
  • – Capacità di gestire i progetti per l’implementazione delle misure di efficientamento;
  • – Conoscenza tecnica dei sistemi energetici moderni;
  • – Conoscenza di metodi di analisi finanziaria degli investimenti per l’efficientamento energetico.

 

I quattro elementi fondamentali dell’Energy Management sono rappresentati nella figura sotto:

LE STRATEGIE OPERATIVE PER L’ENERGY MANAGEMENT

Generalmente l’introduzione dell’Energy Management in azienda avviene per gradi, accompagnato dall’aumento di conoscenza del sistema energetico e di consapevolezza dell’azienda e degli attori coinvolti nel processo. Ognuna di queste fasi è associata ad una differente strategia operativa:

  • – Quick Fixes ;
  • – Energy Projects ;
  • – Comprehensive Energy Management

STRATEGIA OPERATIVA QUICK FIXES

Con Quick Fixes si intende la riduzione occasionale dei consumi energetici. Viene attuata una serie non coordinata di misure di risparmio energetico poco o per nulla costose che non necessitano di una fase di analisi e pianificazione degli interventi. Alcuni degli interventi classificabili in questa strategia sono l’isolamento termico delle finestre, timer per luci e sistemi di condizionamento, utilizzo di componenti ad alta efficienza energetica, ecc. Portano vantaggi economici significativi (soprattutto nel caso di edifici o impianti di vecchia concezione) ma limitati rispetto a quelli massimi raggiungibili.

STRATEGIA OPERATIVA ENERGY PROJECTS

Il secondo approccio è l’Energy Project ovvero la riduzione sistematica dei consumi energetici. Raggiunti i massimi livelli di risparmio conseguibili nella fase precedente si comprende come ulteriori risparmi siano conseguibili solo attraverso progetti energetici con una significativa fase di analisi per l’individuazione delle opportunità di riduzione dei consumi e delle misure necessarie per coglierle, oltre a investimenti significativi per la loro implementazione (entra in ballo anche la valutazione economica degli investimenti). Solitamente questa fase si basa su analisi più o meno approfondite del sistema energetico denominate “Energy Audit”.

STRATEGIA OPERATIVA COMPREHENSIVE ENERGY MANAGEMENT

L’ultima strategia Comprehensive Energy Management è quella che dà dei risultati certi e stabili nel tempo. Aumentando la consapevolezza e la conoscenza relativamente agli aspetti energetici all’interno dell’azienda, l’approccio “per progetti” tende ad essere sistematizzato all’interno di un vero e proprio sistema di gestione arrivando così allo sviluppo di un Energy Management System. Ciò richiede come passo fondamentale l’introduzione di un sistema di gestione, inteso come monitoraggio, controllo e riduzione continua dei consumi energetici. La tendenza è quella di definire modelli di Sistemi di Energy Management che costituiscano una guida per le organizzazioni e consentano anche il conseguimento della certificazione per sfruttare i vantaggi derivanti per l’immagine dell’organizzazione.

IL CASO DI STUDIO: CONTESTO AZIENDALE

Menz & Gasser nasce a Lana (BZ) nel 1935 e presto si specializza nella produzione di confetture e semilavorati di frutta di alta qualità. Negli oltre 80 anni della sua storia Menz & Gasser subisce numerose trasformazioni, ma fin dalle origini, il fondatore Mathias Gasser imprime all’azienda la visione che le garantirà il successo attraverso i decenni: osservare e comprendere i desideri delle persone e individuare servizi e prodotti innovativi e di qualità che possano soddisfarli, anzi, anticiparli.

Oggi l’azienda è presente in più di 50 Paesi in 4 continenti e nel 2016 ha dato avvio alla costruzione di uno stabilimento in Malesia con l’obiettivo di espandere la propria presenza nei mercati dell’estremo oriente.

NECESSITÀ

Menz & Gasser coniuga due esigenze in campo energetico: da una parte gestire in modo efficiente la complessità nell’uso di una vasta gamma di vettori energetici necessari per la fase di produzione e dall’altra la necessità di soddisfare una spiccata sensibilità da parte della proprietà per un uso più razionale dell’energia.

L’azienda aveva già provveduto ad installare numerosi misuratori di consumo sia elettrico che termico. La sola storicizzazione e visualizzazione dei dati non era sufficiente. Con gli ingegneri di MIPU abbiamo sviluppato una soluzione che ci consentisse di valorizzare i dati raccolti per una riduzione sistemica dei consumi e un miglioramento della sostenibilità della nostra produzione.

Abbiamo deciso di partire da un progetto pilota per sviluppare la piattaforma di raccolta dati. La scelta è ricaduta su un impianto a biomassa legnosa presente in stabilimento e che presentava diverse difficoltà nel calcolo dell’efficienza: diversi contributi di energia e di perdite, quali perdite legate ai fumi, all’irraggiamento, al potere energetico delle ceneri non erano direttamente misurabili.

Volevamo creare un sistema che ci permettesse di avere un riscontro immediato dell’andamento dell’impianto e un supporto predittivo alle decisioni manutentive e di efficienza energetica.

 

SOLUZIONE

La soluzione implementata prevede la centralizzazione dei dati già raccolti ed il loro utilizzo per la creazione di modelli di comportamento energetico. Questi non sono altro che simulazioni della prestazione che ogni componente principale del sistema dovrebbe avere al variare delle condizioni operative.

A seconda della complessità da simulare, i modelli possono essere espressi su base matematica o con il machine learning. La complessità è tuttavia gestita dalla piattaforma software: il team di Menz & Gasser, pur essendo autonomo nella creazione di nuovi modelli, non deve affrontare le difficoltà connesse alla scrittura di codice informatico.

LA CREAZIONE DEI MODELLI

Inizialmente abbiamo creato circa 10 modelli. Questi motori sono estremamente duttili e consentono di raggiungere molteplici scopi:

  1. 1. prevedere il consumo energetico futuro al variare delle condizioni tecniche, ambientali e di produzione
  2. 2. prevedere i costi energetici, ed in particolare analizzare vari scenari di tipo what-if in funzione ad esempio dell’orario, del meteo o del fatto o meno che io operi determinate manutenzioni nel futuro
  3. 3. intercettare malfunzionamenti sul nascere usando come segnale base l’energia consumata da ogni componente, ciò che gli ingegneri di MIPU chiamano Energy-Based Reliability Management.

 

Operativamente, ogni modello viene messo sotto monitoraggio tramite delle carte di controllo, le quali intercettano gli scostamenti del comportamento reale rispetto al comportamento atteso. Se il comportamento reale sale verso l’alto si parla di deriva positiva. Se scende, di deriva negativa.

 

I VANTAGGI DELLA SOLUZIONE

L’aspetto assolutamente innovativo qui è la possibilità di quantificare esattamente l’impatto di qualsiasi attività sulla prestazione energetica del sistema, il tutto in modo semplice e visuale. Comunicare in tempo reale a tutto il team, e potenzialmente a tutti gli stakeholders dell’area dove l’azienda opera, come quantitativamente le nostre azioni impattano sul consumo energetico e dunque sull’ambiente è dirompente. Non solo: tale immediatezza, pur scientificamente rigorosa, risponde all’esigenza sia di fare efficientamento che di creare cultura ed ingaggio.

Abbiamo conseguentemente scelto di estendere l’esperienza fatta con la centrale a biomassa agli stabilimenti.

BUDGET ENERGETICO E IMPATTO AMBIENTALE

Avere delle intelligenze che simulano con precisione il comportamento degli impianti ci consente di sviluppare un budget energetico effettivamente calato sulle reali condizioni operative che andremo via via affrontando. Più importantemente, possiamo valutare ex-ante l’impatto economico ed energetico delle nostre scelte e discutere con immediatezza ma estremo rigore con tutti gli stakeholders coinvolti.

CONCLUSIONE

Da questa esperienza mi sento di esprimere tre concetti che ritengo importanti.

COMPETENZE

Il primo è legato al tema delle competenze. Per sviluppare un progetto di questa natura è necessaria la creazione di un team composto da tecnici aziendali e da tecnici del partner tecnologico. I tecnici aziendali devono riuscire a modellizzare i loro processi in modo tale da renderli fruibili ad un processo di intelligenza artificiale ed il partner tecnologico fornisce un valore aggiunto solo nella misura in cui detiene una competenza di dominio specifica.

Nell’esperienza che abbiamo avuto con MIPU, il tema della competenza di settore è stato determinante: noi abbiamo scelto MIPU in quanto conoscevamo la sua competenza nell’ambito dell’energia. Ed alla luce del lavoro fatto questa scelta si è dimostrata corretta. La competenza di MIPU nel settore dell’energia ci ha aiutato a perfezionare i modelli che descrivono il nostro processo.

TECNOLOGIA

Il secondo concetto che scaturisce da questa esperienza è la funzione della tecnologia in generale e dell’intelligenza artificiale nello specifico. Per approcciarsi ad un progetto di questo tipo l’azienda deve avere uno scopo molto chiaro e specifico. L’intelligenza artificiale non può essere lo scopo, ma è lo strumento per raggiungere un determinato obiettivo. Un’azienda è molto competente sui propri processi: per aprirsi a nuove tecnologie il metodo più veloce è raccogliere sul mercato le competenze necessarie.

Il particolare momento economico che stiamo vivendo, caratterizzato da un’alta complessità ed incertezza, richiede alle aziende di muoversi rapidamente, di portare a terra velocemente i propri progetti per riuscire ad essere sempre competitive. Diventa quindi un asset di valore per l’azienda la relazione con i partner tecnologici per sviluppare in co-development nuove soluzioni. Le aziende devono imparare ad aprirsi all’interno di un network di fornitori selezionati che le permettano di portare al loro interno nuove competenze e nuove tecnologie, ma che lascino libera l’azienda di concentrare le proprie risorse sul proprio core business.

INTELLIGENZA ARTIFICIALE

La terza considerazione riguarda specificatamente l’intelligenza artificiale. Grazie alla capacità di trattare una grande quantità di dati e di correlazioni, l’AI permette una visione olistica del processo di produzione. Aprire le opportunità derivanti dall’utilizzo di intelligenze artificiali a tutta l’azienda è sulle prime sembrato avveniristico; solo pochi mesi dopo lo ritenevamo fattibile. Oggi riconosciamo che i modelli sono per noi un “motore di conoscenza condivisa”. Ci aiutano a conoscere meglio i nostri impianti, ad operare scelte strategiche e a valutare costantemente l’impatto delle stesse in termini tecnici, economici ed ambientali.

———

A cura di:

Claudio Cumer, Technical Department, Menz & Gasser

Questa è solo una delle  storie di successo raccontate dai nostri clienti, richiedi qui il nostro libro Storie di Fabbrica Predittiva e scopri le altre! Oppure contattaci per iniziare un progetto personalizzato con noi. 

 

 

 

COME IL MACHINE LEARNING PUÒ MIGLIORARE LA DISPONIBILITÀ DEGLI ASSET

by

COME IL MACHINE LEARNING PUÒ MIGLIORARE LA DISPONIBILITÀ DEGLI ASSET

Le applicazioni del Machine Learning (ML) nel settore manifatturiero sono ormai in circolazione da molti anni. Inizialmente (10 anni fa), erano riservate a grandi società che disponevano di ampie risorse economiche ed umane. Queste soluzioni erano molto costose da acquistare e implementare. Una volta implementate, le soluzioni richiedevano molte risorse del personale tecnico per mantenere i modelli degli asset e valutarne i risultati.

Oggi, esistono numerose applicazioni del Machine Learning in ambito industriale che possono essere implementate in un periodo di tempo limitato e senza investire troppi soldi e risorse. In questo articolo, forniremo una panoramica su come utilizzare le applicazioni del Machine Learning per il monitoraggio e la gestione degli asset e presenteremo alcune delle diverse applicazioni attualmente utilizzate.

 

CREAZIONE DI UN MODELLO DI MACHINE LEARNING

Le applicazioni del Machine Learning vengono utilizzate per identificare l’insorgenza di un guasto, prima che questo si verifichi. Se hai familiarità con una curva PF, sai che prima identifichi un potenziale guasto, meglio è.

Nelle applicazioni software di Machine Learning, si inizia creando un modello matematico dell’asset. Il modello comprende tutti i parametri di processo associati a quello specifico asset. Questi parametri sono in genere memorizzati in un database che acquisisce i dati dal DCS dell’impianto, i PLC associati, i registri elettronici, ecc.

Se, per esempio, stiamo progettando il modello di una pompa, la pressione di aspirazione, la pressione di scarico, la posizione della valvola di controllo, la temperatura e la vibrazione dei cuscinetti sarebbero dei buoni esempi di parametri da includere nel modello. La maggior parte dei modelli ha tra i 10 e i 30 parametri, ma esistono anche modelli con quasi 100 parametri.

 

ADDESTRAMENTO DI UN MODELLO DI MACHINE LEARNING

Una volta creato il modello, i dati storici dei parametri vengono importati nel modello. Questo dataset è in genere noto come set di dati per “l’addestramento” e normalmente include un anno di dati. Un dataset di un anno consente al modello di tenere conto delle variazioni stagionali delle operazioni di gestione. Una persona esperta nel funzionamento dell’asset saprebbe quindi quali sono i dati da includere nel set di addestramento (buon funzionamento) e quali da escludere da quest’ultimo (cattivo funzionamento). Il machine learning quindi utilizza il set di dati addestramento per sviluppare una matrice operativa dell’asset. La matrice identifica sostanzialmente il modo in cui la macchina dovrebbe funzionare in un dato momento in base ai dati di addestramento utilizzati per crearla.

Ma il bello deve ancora venire: il software monitora costantemente il funzionamento della macchina e prevede quali dovrebbero essere i valori dei parametri della macchina in base alla matrice che ha ricevuto in input. Se un parametro si discosta dalla previsione del modello di una percentuale significativa, il sistema genera un avviso relativo a quel particolare parametro. Viene quindi eseguita un’analisi tecnica sull’asset per valutare il cambiamento di condizione e le cause che potrebbero averlo innescato.

 

ESITI DELL’ANALISI

Generalmente l’analisi può avere 3 esiti:

  1. 1) l’avviso è valido, il problema necessita una soluzione;
  2. 2) l’avviso richiede ulteriori dati operativi, il software continua a monitorare i parametri ad esso associati;
  3. 3) l’avviso è un falso positivo, il modello viene addestrato con i dati aggiuntivi e re implementato.

 

In ogni caso, l’applicazione del Machine Learning richiede risorse dedicate per la manutenzione dei modelli e l’analisi dei problemi degli asset insieme ai responsabili tecnici dell’impianto. Una risorsa a tempo pieno impiega in genere il 40% del tempo per la manutenzione dei modelli, il 40% del tempo a lavorare con i responsabili tecnici dell’impianto e il 20% del tempo a valutare i benefici generati dall’implementazione della soluzione.

 

I RISULTATI

I risultati dell’implementazione del Machine Learning per i sistemi industriali sono molto potenti. Le applicazioni software identificano i cambiamenti nelle condizioni di funzionamento della macchina che non sono evidenti all’occhio umano.

 

RISULTATO 1

La Figura 1 mostra un incremento di vibrazione del cuscinetto della ventola di un ventilatore a causa di una perdita di olio. Questa condizione ha generato un allarme. La soluzione creata con il Machine Learning aveva previsto che la vibrazione del cuscinetto avrebbe dovuto essere di circa 3,5 mm date le attuali condizioni operative. La vibrazione del cuscinetto si è lentamente allontanata dal valore previsto generando così un allarme non appena ha raggiunto il valore di 4,7 mm. I responsabili tecnici dell’impianto sono così stati allertati e, tramite ispezione visiva della ventola, hanno identificato una perdita d’olio.

L’aspirazione del ventilatore stava effettivamente aspirando nell’alloggiamento della ventola l’olio fuoriuscito dalla perdita, per questo motivo non c’era alcuna indicazione della perdita sul terreno. L’olio sulle pale della ventola ha accumulato sporco e detriti, causando uno sbilanciamento nella rotazione e quindi un aumento di vibrazione. I responsabili tecnici dell’impianto sono stati in grado di intraprendere azioni correttive per arrestare la perdita prima che il cuscinetto fosse danneggiato.

Figura 1: Aumento della vibrazione della ventola

 

RISULTATO 2

La Figura 2 mostra il progressivo decadimento della purezza dell’idrogeno su un grande generatore a turbina. La linea verde rappresenta il valore previsto del modello. La linea blu rappresenta il valore reale e i punti rossi sono i valori dove il parametro è andato in allarme. Durante il mese mostrato nella figura, i tecnici d’impianto non hanno notato il lento decadimento della purezza dell’idrogeno. L’allarme generato dal software ha allertato in anticipo i tecnici, avendo così il tempo di risolvere il problema senza incorrere in un fermo impianto non previsto.

Figura 2: purezza dell’idrogeno del generatore a turbina

 

RISULTATO 3

La Figura 3 riguarda un sistema elettroidraulico (EHC) che controlla la posizione della valvola, la velocità della turbina e le valvole di sicurezza. In questo caso, la pressione differenziale attraverso il filtro “A” della pompa EHC ha iniziato ad aumentare. I tecnici sono stati allertati per tempo e sono stati in grado di passare dalla pompa “A” alla pompa “B”. In questo modo, si sono evitati il blocco di emergenza della turbina e tutti i danni ad esso associati.

Figura 3: filtro del sistema elettroidraulico
RISULTATO 4

Il sistema di lubrificazione fornisce olio alla scatola del cambio e a tutti i cuscinetti. Il modello dell’asset prevedeva che la temperatura fosse di 90 °F, ma la temperatura effettiva ha raggiunto i 110 °F. Il software ha quindi generato un allarme per i tecnici dell’impianto che hanno scoperto che la valvola di controllo dell’acqua di raffreddamento allo scambiatore di calore dell’olio lubrificante era guasta. Il sistema è tornato a regime sostituendo la valvola di controllo.

 

CONCLUSIONE

In questo articolo, abbiamo introdotto una panoramica su come utilizzare le applicazioni del Machine Learning per il monitoraggio degli asset e presentato alcune delle diverse applicazioni attualmente utilizzate.

Per avere maggiori informazioni su questi esempi o su come implementare modelli di Machine Learning per i tuoi asset, contattaci!

L’INTERCETTAZIONE DI ANOMALIE IN UN SISTEMA CATALIZZATORE PER MOTORI DIESEL

by

L’INTERCETTAZIONE DI ANOMALIE IN UN SISTEMA CATALIZZATORE PER MOTORI DIESEL

Nel seguente caso di studio è illustrata la modalità di intercettazione di anomalie in un sistema catalizzatore per motori diesel. Il dipartimento di ricerca di una tra le maggiori aziende nel campo della motoristica riesce ad identificare possibili anomalie nei sistemi di abbattimento di NOx grazie ad un algoritmo di machine learning firmato MIPU.

 

IL CLIENTE

L’azienda si occupa di sviluppo, produzione, vendita e assistenza di propulsori per applicazioni su strada, fuori strada, marine e per la generazione di energia, ed è una delle aziende leader del settore. Opera a livello internazionale, rivolgendosi a industrie automotive, marine e di produzione impiantistica.

 

LA NECESSITA’ DEL CLIENTE

In ambito di ricerca e sviluppo, il cliente, leader nel campo della produzione di motori, si rivolge a MIPU per l’implementazione di una soluzione per intercettare guasti e anomalie nel sistema di abbattimento NOx installato nei motori diesel.
MIPU, coinvolgendo il team di ricerca formato da ingegneri e informatici dalle aziende del gruppo, ha coordinato l’implementazione della soluzione, in base alle necessità del cliente.
Di seguito sarà mostrata la soluzione adottata per intercettare di anomalie in un sistema catalizzatore per motori diesel.

 

LA SOLUZIONE MIPU

La soluzione è stata sviluppata in un mese di lavoro, e l’algoritmo risultante prevede con un’alta affidabilità la quantità di fluido a base di ammoniaca da iniettare nei fumi di scarico per abbattere la componente di NOx presente.
La soluzione di MIPU si è concentrata sull’analisi del processo di abbattimento di inquinanti per i motori diesel medium-heavy duty.

Gli obiettivi

  • – Modellizzare il comportamento del sistema di abbattimento fumi
  • – Identificare eventuali anomalie del sistema di iniezione

 

 

IL PROGETTO – MANUTENZIONE PREDITTIVA SU SISTEMI COMPLESSI

Il settore automotive è sempre stato uno dei settori industriali più all’avanguardia per quanto riguarda le soluzioni industriali e le nuove tecnologie.
Ad oggi, l’intelligenza artificiale viene sfruttata soprattutto per aumentare il comfort del consumatore che acquista il prodotto. Sfruttata anche per sviluppare soluzioni innovative come le automobili a guida autonoma. Tuttavia l’aumento della fruibilità di soluzioni intelligenti unita al costo sempre più basso di sensoristica specifica sta aprendo le porte ai sistemi tipicamente industriali. Questi ultimi sono atti al monitoraggio e controllo delle prestazioni e alla manutenzione predittiva, sfruttando algoritmi complessi di machine learning.

I veicoli dal punto di vista della modellizzazione sono sistemi estremamente complessi, non rappresentabili con algoritmi lineari, il cui comportamento è influenzato da un numero molto alto di variabili controllabili e incontrollabili. Gli algoritmi di machine learning più complessi, come le reti neurali artificiali, danno la possibilità di sviluppare soluzioni in grado di modellizzare anche questi sistemi con una precisione molto alta, per prevedere guasti e anomalie o mettere sotto controllo un parametro operativo per intercettarne fuori controllo.

Il sistema modellizzato nel presente case study è la linea di abbattimento NOx a valle della combustione per motori diesel medium-heavy duty. In particolare, MIPU ha implementato un algoritmo in grado di prevedere la quantità di urea da iniettare in base al funzionamento del motore a monte e in base ai parametri di controllo del sistema di iniezione. La soluzione intercetta quantità di urea anomale, sintomo di comportamenti non conformi del sistema.

 

PRINCIPALI ATTIVITA’

MIPU ha ricevuto dall’azienda i dati disponibili del motore. Ha implementato una rete neurale per la previsione della quantità di urea da iniettare in base al punto operativo del motore.

La prima azione intrapresa è l’analisi del sistema investigato e dei dati forniti. Ciò ha permesso di individuare il comportamento atteso e il parametro operativo da mettere sotto controllo per identificare anomalie nel funzionamento.

In base al parametro selezionato come output, sono state studiate le dipendenze e correlazioni rispetto alle altre variabili monitorate. Pertanto, è stato possibile definire la struttura della soluzione.

Considerando l’output e l’input definiti, è stato identificato e testato l’algoritmo migliore di machine learning – una rete neurale – per la modellizzazione della variabile output.

 

I RISULTATI

La soluzione implementata è in grado di:

  • – Prevedere con un’alta affidabilità (R2 > 95%, MAPE < 5%) la quantità di urea da iniettare in base al punto di funzionamento del motore;
  • – Valutare l’efficienza del motore in base alle carte CUSUM, e identificare comportamenti simili nei cicli guida
  • – Identificare trend sospetti nei dati reali grazie alle carte di controllo e intercettare possibili anomalie

 

 

Tali risultati hanno quindi permesso al cliente di intercettare anomalie in un sistema catalizzatore per motori diesel.

 

CONCLUSIONE

MIPU ha fornito una soluzione precisa ed affidabile per la previsione della quantità di urea da iniettare per l’abbattimento NOx e un set di strumenti per identificare anomalie, efficienza e comportamento del sistema in base al confronto tra quantità iniettata nel sistema reale e valore modellizzato.

Questo tipo di approccio può avere molteplici applicazioni: per studiare quella più adatta alle tue problematiche, mettiti in contatto con noi!

L’INTELLIGENZA ARTIFICIALE APPLICATA ALLE TURBINE A VAPORE

by

L’INTELLIGENZA ARTIFICIALE APPLICATA ALLE TURBINE A VAPORE

Le turbine a vapore sono macchine motrici in grado di convertire l’energia termica del vapore surriscaldato in energia meccanica. All’interno delle centrali termoelettriche sono tipicamente accoppiate a generatori elettrici per la conversione ultima dell’energia meccanica in energia elettrica.

Ottimizzare l’utilizzo delle risorse, ridurre gli sprechi e aumentare l’efficienza degli impianti, è oggi come oggi la sfida più grande con cui si confrontano i grandi produttori di energia a livello mondiale. Fare uso di tecniche all’avanguardia per il monitoraggio e la manutenzione dei propri asset è sicuramente l’approccio che produce i migliori risultati.

In questo caso studio saranno mostrate le potenzialità degli algoritmi di machine learning applicati ai dati di monitoraggio di una turbina a vapore alimentata da due generatori di vapore a recupero, presente in una centrale termoelettrica a ciclo combinato.

MIPU ha riprodotto tramite algoritmi di AI la potenza attiva, la temperatura del casing, il sistema di tenuta e il comportamento vibrazionale della turbina a vapore e per ogni variabile ha implementato uno strumento di controllo in grado di intercettarne le anomalie.

I modelli di machine learning e i relativi strumenti di controllo sono integrati ad una soluzione hardware che monitora le performance della turbina a vapore, consente una visione di insieme dello stato di salute dell’asset e ne segnala tempestivamente guasti e cali di performance.

 

IL CLIENTE

Il cliente è un’azienda italiana attiva nei settori dell’approvvigionamento, produzione e vendita di energia elettrica.

 

LE NECESSITA’ DEL CLIENTE

Per raggiungere standard di efficienza elevati, guasti e perdite di performance devono essere rilevati tempestivamente in una centrale termoelettrica e un approccio predittivo è altamente consigliato nella manutenzione degli asset.

Le turbine a vapore sono di grande importanza nelle centrali termoelettriche a ciclo combinato perché l’energia meccanica del loro moto, tramite l’opportuno accoppiamento ad un alternatore, permette di produrre energia elettrica addizionale portando il rendimento di centrale oltre il 50%.

Fermi o guasti improvvisi di una turbina a vapore causano un deciso calo del rendimento di impianto e una netta diminuzione della energia elettrica prodotta. Le centrali termoelettriche devono garantire elevati livelli di affidabilità, in modo da immettere in rete la quantità di energia concordata con il mercato elettrico nazionale. Per tali ragioni, fermi improvvisi sono altamente deprecabili dal cliente che in tale caso subirebbe ingenti danni economici, oltreché di immagine.

LA SOLUZIONE MIPU

La soluzione MIPU consiste in dieci algoritmi di intelligenza artificiale integrati ad una piattaforma software e hardware. Questa piattaforma è interconnessa ai sensori di campo e monitora costantemente lo stato di salute della turbina a vapore in real time. La piattaforma compie tale operazione dal punto di vista della potenza attiva, della temperatura del casing, delle perdite di vapore del sistema di tenuta e del comportamento vibrazionale dei cuscinetti.

Gli esperti di MIPU hanno implementato i modelli di AI identificando i parametri elettrici, meccanici e termodinamici che intervengono nella fisica del processo di conversione dell’energia termica del vapore surriscaldato in energia meccanica. Dopodiché hanno svolto l’analisi e la visualizzazione dei dati a disposizione, provenienti da un sistema di acquisizione IoT. Gli esperti hanno svolto anche il riconoscimento dei periodi di fermo impianto o di manutenzione dell’asset. Le variabili di processo sono state poi analizzate in base al profilo temporale e alla correlazione qualitativa e quantitativa reciproca.

Una volta individuato nei dati a disposizione il periodo che presentava il comportamento ottimale dell’asset, sono stati allenati i modelli di intelligenza artificiale.

Nel grafico seguente è presente un esempio di analisi dati. Analisi svolta per identificare il comportamento termico del casing della turbina a vapore durante i transitori di raffreddamento.

 

Per identificare la soluzione migliore in termini di metriche statistiche e carte di controllo, MIPU ha testato vari algoritmi di machine learning caratterizzati da strutture differenti. La qualità di ogni modello è stata valutata tramite la capacità del singolo di intercettare cambi di comportamento. Questi ultimi dovuti ad azioni manutentive o modifiche nella gestione energetica dell’asset.

I modelli in uso

Gli algoritmi riproducono in tempo reale la potenza elettrica attiva ai morsetti dell’alternatore. Riproducono anche la temperatura del casing della turbina a vapore, con focus particolare sulle fasi di raffreddamento che avvengono subito dopo che la turbina smette di funzionare, le perdite di vapore surriscaldato dal sistema di tenuta, il comportamento vibrazionale dei cuscinetti per monitorarne lo stato tramite analisi predittive.

Attraverso un sistema di data experience è possibile il confronto tra le variabili reali e la predizione fatta da ciascun modello. In questo modo è reso il controllo continuo della turbina a vapore dal punto di vista delle performance e dello stato di salute.

Di seguito un grafico che mostra l’andamento della potenza attiva reale. Inoltre, mostra la predizione del modello in un periodo di funzionamento a regime della turbina a vapore.

 

 

RISULTATI

Il monitoraggio continuo delle performance degli asset critici in una centrale elettrica è fondamentale per ridurre al minimo i fermi dovuti a manutenzione straordinaria. Il monitoraggio risulta fondamentale anche per rispettare vincoli normativi legati alla sicurezza ambientale e all’uso ottimale delle risorse.

Tramite l’utilizzo dell’intelligenza artificiale, MIPU ha implementato dieci diversi modelli di machine learning. Questi sono in grado di riprodurre le variabili critiche del funzionamento di una turbina a vapore che opera in un impianto a ciclo combinato, simulandone un comportamento ottimale. Il set di modelli implementato è stato integrato in una piattaforma. Tale piattaforma rende possibile il controllo dell’asset dal punto di vista delle performance e del suo stato di salute.

In particolare, gli algoritmi implementati sono in grado di intercettare deviazioni nella potenza attiva ai morsetti dell’alternatore dello 0.7% circa a regime. Intercettano anche temperature anomale del casing della turbina con un errore dello 0.4% circa e perdite di vapore surriscaldato con un errore del 1.8% circa. Inoltre, intercettano comportamenti vibrazionali anomali dei cuscinetti con un errore dello 0.8% circa.

 

CONCLUSIONE

Scopri di più sulle nostre soluzioni software, come Rebecca AI, la piattaforma che democratizza l’Intelligenza Artificiale e rende possibili queste applicazioni.

 

 

DIGITALIZZAZIONE DI UNA CENTRALE TERMOELETTRICA

by

Sono diverse le necessità che hanno condotto i grandi player del campo energetico a fare uso di tecniche all’avanguardia per il monitoraggio e la manutenzione dei propri asset. Tra queste vi è la necessità di ottimizzare l’utilizzo delle risorse, ridurre gli sprechi e aumentare l’efficienza degli impianti. Intercettare per tempo malfunzionamenti e cali di performance dei componenti critici di impianti garantisce la riduzione dei fermi dovuti a manutenzione straordinaria ed un rendimento di centrale costante prossimo a quello di progetto.

In questo caso studio saranno mostrate le potenzialità degli algoritmi di machine learning applicati ai dati di monitoraggio degli asset presenti in una centrale termoelettrica. Viene quindi esplorata la digitalizzazione di una centrale termoelettrica.

Le variabili critiche di impianto sono state riprodotte tramite algoritmi di intelligenza artificiale. Per ognuna è stato implementato uno strumento di controllo in grado di intercettarne anomalie.  I modelli di machine learning e i relativi strumenti di controllo sono stati infine industrializzati. Quindi sono stati integrati ad una soluzione hardware che monitora le performance di impianto. Ciò consente una visione di insieme dello stato di salute degli asset. Al contempo, ne segnala tempestivamente malfunzionamenti e cali di performance.

 

PROFILO DEL CLIENTE

Il cliente è un’azienda italiana attiva nei settori dell’approvvigionamento, produzione e vendita di energia elettrica, gas e olio grezzo. E’ uno dei principali produttori di energia elettrica in Italia, con un parco produttivo che comprende impianti a ciclo combinato a gas, idroelettrici, eolici, solari e a biomasse.

 

LA NECESSITA’ DEL CLIENTE

Allineato ai principi di Industria 4.0, il cliente è fortemente impegnato a investire nella ricerca e
nell’esplorazione delle potenzialità dell’intelligenza artificiale applicata al settore industriale. L’obiettivo è di creare un’infrastruttura affidabile per la manutenzione predittiva e il monitoraggio dei propri asset.

Per soddisfare standard di efficienza elevati, guasti e perdite di performance devono essere rilevati tempestivamente in una centrale di produzione di energia. Un approccio predittivo è altamente consigliato nella manutenzione degli asset. Le centrali termoelettriche sono sottoposte a vincoli di emissioni inquinanti in atmosfera molto stringenti. Queste devono garantire elevati livelli di affidabilità, in modo da immettere in rete la quantità di energia concordata con il mercato elettrico nazionale. Per tali ragioni, fermi improvvisi e mancata osservanza di normative in ambito di sicurezza ambientale sono altamente deprecabili dal cliente. In tal caso, il cliente subirebbe ingenti danni economici e di immagine.

Pertanto, il committente ci ha richiesto di implementare un sistema di monitoraggio e manutenzione predittiva basato sull’intelligenza artificiale. Il fine è quello di controllare costantemente le performance degli asset critici di una delle proprie centrali termoelettriche. In particolare, la centrale oggetto di studio è a ciclo combinato stanziata nel sud Italia.

 

LA SOLUZIONE MIPU

L’intelligenza artificiale impara dai dati storici il comportamento di un sistema. Ne replica le correlazioni tra i parametri per permettere un controllo dello stato di salute degli impianti o degli asset, e metterne sotto controllo le performance.

Il progetto ha previsto l’implementazione di oltre 30 modelli di intelligenza artificiale in grado di riprodurre altrettante variabili critiche di impianto. Ad esempio, il rendimento globale di centrale, la potenza elettrica attiva e il comportamento vibrazionale dei cuscinetti delle turbine, il consumo degli ausiliari. Ed ancora, la produzione di vapore dei generatori di vapore a recupero, le temperature di scarico ai compressori, le prestazioni delle torri di raffreddamento.

 

LE ANALISI SVOLTE

La prima fase del progetto ha previsto l’analisi dei dati a disposizione. I dati di monitoraggio degli asset di centrale sono raccolti da un sistema di acquisizione IoT, installato  prima dell’inizio dell’analisi, e archiviati in un database. Questi rappresentano i parametri elettrici, meccanici e termodinamici di processo degli asset operativi in centrale. Il profilo temporale e la correlazione qualitativa e quantitativa reciproca ha permesso di analizzare tali dati. La fisica delle componenti coinvolte nel processo da monitorare ha permesso di selezionare le variabili utilizzate nell’allenamento dei singoli modelli implementati.

Per ogni modello sono stati testati vari algoritmi di machine learning. Questi ultimi sono caratterizzati da strutture differenti, in modo da identificare la soluzione più performante in termini di metriche statistiche e carte di controllo. La bontà di ogni modello è stata valutata tramite la capacità del singolo di intercettare cambi di comportamento dal punto di vista manutentivo o di gestione energetica.

 

LA SOLUZIONE

La soluzione consiste in una piattaforma, connessa ai sensori di campo, che monitora costantemente lo stato di salute dell’impianto. Sulla piattaforma sono caricati gli algoritmi di intelligenza artificiale che riproducono in real time le variabili critiche di processo.

 

Un sistema di data experience rende possibile il confronto tra le variabili reali e le predizioni fatte dai modelli. In questo modo è realizzato il controllo continuo della centrale dal punto di vista delle performance e delle condizioni dei singoli asset. Le data experience sono dedicate ad ogni asset ed elaborano gli output dei modelli in modo che siano comprensibili agli utenti. Sono generati allarmi nel caso in cui le variabili monitorate si discostino pericolosamente dalle predizioni, in base ad un sistema di carte di controllo.

Inoltre, la piattaforma consente di manutenere gli algoritmi di intelligenza artificiale come fossero veri e propri asset aziendali. Ciò avviene tramite la presenza di un modulo AI. Questo permette di approfondire le performance dei singoli modelli dal punto di vista delle metriche, per poter valutare la necessità di riallenare i modelli in base a dati più recenti. L’analisi delle carte di controllo, presenti in questa sezione, consente di approfondire lo studio del comportamento degli asset, utilizzando l’analisi dei residui e delle loro somme cumulate (CUSUM).

 

RISULTATI

Il monitoraggio continuo delle performance degli asset di una centrale termoelettrica è fondamentale per ridurre al minimo i fermi dovuti a manutenzione straordinaria. Fondamentale anche per rispettare vincoli normativi legati alla tutela ambientale e all’ottimizzazione delle risorse.

  • – L’utilizzo dell’intelligenza artificiale ha permesso di implementare circa 30 modelli di machine learning. Questi sono in grado di riprodurre le variabili critiche di processo, simulandone un comportamento ottimale. In particolare, gli algoritmi implementati sono in grado di intercettare:
    • • deviazioni nel rendimento di impianto di circa lo 0.2%
    • • diversi comportamenti anomali legati agli asset principali ed ausiliari
    • • l’indicazione numerica dell’efficienza attesa per le turbine a gas e a vapore.
  • – Una piattaforma custom di data experience ha permesso di integrare il set di modelli implementato. Ciò rende possibile il controllo continuo della centrale dal punto di vista delle performance e dello stato di salute dei singoli asset.

 

Infine, la presenza di un set completo di modelli abilita il controllo incrociato. Ciò è utile per intercettare la causa di un’anomalia considerando il comportamento dello specifico asset ed anche degli asset a questo collegati.

 

CONCLUSIONE

Avere a disposizione un software per la creazione e facile manutenzione dei modelli di AI è stato fondamentale per il progetto di digitalizzazione della centrale termoelettrica. Avere uno strumento che permetta non solo di creare, ma anche di allenare i modelli sui nuovi dati, qualora quelli attuali dovessero diminuire le proprie performance in seguito al cambio dei parametri nominali, rende l’AI scalabile, un vero e proprio asset industriale. Per capire come rendere tutto questo possibile anche nella tua realtà aziendale, contattaci.