Manutenzione predittiva e controllo di qualità delle misure: le informazioni nascoste nei dati raccolti dai sistemi

I sistemi di monitoraggio realizzati da CAE gestiscono i metadati relativi alle misure, associando ad ogni dato un parametro che definisce la qualità stimata dello stesso. Il giudizio viene verificato, ed eventualmente aggiornato, a ogni passaggio della catena: dal sensore al datalogger e fino ai software di centrale.

Proprio lì, in centrale, con il fine di offrire un servizio ad alto valore aggiunto al cliente, operano alcuni software appositamente pensati, come Detective. Capace di controllare in pochi secondi le enormi quantità di dati che provengono dai sensori di tutte le stazioni installate a campo. Data la capacità di controllare in pochi secondi i dati ricevuti dalle stazioni, Detective è in grado di segnalare in tempo reale le possibili anomalie e suggerisce un determinato marcatore di qualità del dato per ognuno di essi. Tale valutazione viene poi resa disponibile all’operatore per una sua valutazione successiva oppure offre la possibilità, qualora questo dato vada in input a un modello previsionale di qualsiasi tipo, di discriminarne l’utilizzo secondo la sua attendibilità.

Proprio nell’ottica di valutare l’attendibilità del dato, tra i numerosissimi controlli implementati da Detective vi sono anche quelli definiti da ISPRA nelle “Linee guida per il controllo di validità dei dati idro–meteorologici”.  Il risultato è che, decine di algoritmi operano i controlli sui pluviometri, sui termometri aria, sugli idrometri, sulle portate e altre grandezze.

Seguendo la filosofia dei suddetti controlli, sono stati implementati in Detective verifiche simili su pressione, radiazione, umidità relativa, direzione e velocità vento. Nella versione attuale, Detective dispone di 110 differenti controlli su parametri meteo, dati di diagnostica, funzionamento della centrale e della rete a campo. La struttura del programma consente comunque di aggiungere facilmente in futuro nuovi controlli o estendere gli attuali ad altri tipi di parametri.

Qui, grazie alle tecniche di Machine Learning, l’individuazione di possibili dati anomali è veloce ed efficacie, consentendo agli operatori di individuare fenomeni di deriva e altri malfunzionamenti che difficilmente, in altro modo, sarebbero stati identificati.

Oltre al lavoro di controllo sulle misure, CAE ha sviluppato una specifica competenza nell’analisi dei dati di diagnostica che provengono dai sistemi in manutenzione. In base alla propria esperienza, CAE ha aggiunto il controllo di altri innumerevoli parametri per riuscire ad avere un quadro completo del funzionamento degli apparati a campo. Problemi di bilanciamento energetico, usura di componenti, vandalizzazioni e tanti altri possono essere identificati.

Ecco che la manutenzione predittiva prende forma. Identificare un comportamento precursore di un malfunzionamento prima che questo si traduca in un guasto, con conseguente perdita di misure, è un vantaggio che le moderne tecniche consentono di perseguire e ottenere insieme all’efficientamento delle attività, tipicamente connesso ad una buona pianificazione degli interventi.

Torna all'indice delle notizie