114
AUTOMAZIONE OGGI 369
SOLUZIONI SOFTWARE PER L’INDUSTRIA
S
SI
Big Data e Business Intelligence
cale dei dati, con i seguenti obiettivi: ricostruire eventi di
guasto analizzando quali variabili hanno avuto occorrenza
nell’intorno di periodi in cui si è manifestata un’anomalia;
contare occorrenze selezionando parametri specifici in
orizzonti temporali assegnati; calcolo di contatori per mo-
nitorare funzioni ripetitive che portano a usura elettrica
o meccanica dei componenti (ad esempio apertura degli
interruttori di linea); analisi dati ambientali identificando
i dati anomali nelle misure dei parametri analogici di fun-
zionamento del locomotore; identificazione marker CBM,
sulla base delle schede di manutenzione e dei contatori
implementati si possono definire delle soglie per cui è pos-
sibile anticipare o rimandare alcuni interventi manutentivi
durante le fermate programmate.
In un prossimo futuro saranno implementate funzioni di
analisi orizzontale dei dati per generare allarmi automa-
tici in caso di scostamento dei parametri di una data mac-
china rispetto ai valori medi. Lo scopo ultimo di questo
strumento è il miglioramento del processo manutentivo,
passando dall’attuale manutenzione preventiva a una ma-
nutenzione preventiva (Condition Based Maintenance).
Attualmente la manutenzione della flotta è basata sui fogli
manutentivi, stilati sulla base di un’analisi FMEA (Failure
Mode and Effect Analysis) e sui dati dei costruttori dei sin-
goli componenti. Nei fogli manutentivi vengono indicate le
fermate periodiche della singola macchina e le operazioni
che devono essere fatte per ogni richiamo in officina. Ov-
viamente la locomotiva può aver circolato e manovrato in
modo differente rispetto a quanto pianificato e definito in
fase di progettazione.
L’idea, pertanto, è quella di identificare dei marker che per-
mettano di identificare il reale consumo dei componenti
sottoposti a usura e che necessitano di interventi durante
le fermate. Una volta validati questi marker, è possibile
stimare il reale funzionamento e stato del dispositivo e
pertanto programmare la sua manutenzione durante una
delle fermate stabilite. Questo significa avere attività ma-
nutentive per ciascuna fermata programmata, differenti e
in accordo a quello che è lo stato di usura effettivo del vei-
colo e/o del dispositivo. Questo incide molto sulla manu-
tenzione che passa, così, da un modello di tipo ciclico a un
modello su evento o meglio su condizione (CBM). Questo
comporta da un lato un minore costo della manutenzione
e dall’altro una migliore e più efficace gestione della flotta
e della componentistica di bordo, traducendosi in una mi-
gliore disponibilità della flotta.
Conclusioni
Pur essendo certamente vero che i sistemi di automazione
integrati, basati cioè su reti di Intelligent Device, possono
rendere disponibili grandi quantità di dati, non sembra
proprio necessario scomodare i Big
Data. I normali database relazionali,
magari accoppiati a tecniche di ge-
stione dei dati mutuate dalla Business
Intelligence, possono sicuramente
essere utilizzati per implementare
analisi di tipo statistico/funzionale
utili a identificare anomalie di funzio-
namento, difettosità, incipienti gua-
sti, in macchine o impianti. A seconda
della numerosità possono essere uti-
lizzate tecniche di analisi di tipo verti-
cale (sui dati storicizzati di una singola
macchina/impianto), orizzontali (tra
macchine/impianti diverse), o miste.
Queste ultime analisi possono portare
all’identificazione di correlazioni funzionali non immedia-
tamente evidenti o note a priori.
I primi risultati ottenuti applicando questi semplici criteri
ai parametri funzionali di una flotta di locomotori sono
estremamente positivi e consentono di definire una ro-
admap per la transizione dei processi manutentivi verso
tecniche di Condition Based Maintenance.
Diten – Università degli Studi di Genova
Bibliografia
[1] Paul C. Zikopolous, et al., “Harness the Power of Big data – The IBM Big
Data Platform”, Mc Graw Hill, ISBN: 978-0-07180818-7
[2] Osservatorio Business Intelligence, “BI governance: il BI Maturity Model
nel settore delle utility e dei servizi di pubblica utilità”, SDA Bocconi, di-
cembre 2010
[3] Osservatorio Business Intelligence, “BI: creare vantaggio competitivo
con l’analisi dei dati”, Politecnico di Milano, novembre 2008
[4] M. Caserza Magro, P. Pinceti, A. Sinatra, “Diagnostica per strumenti in-
telligenti da campo: dati e metodi”, Automazione e Strumentazione, aprile
2012, pp.88-93
[5] Yingyi Liang, R.H. Campbell, “Understanding and simulating the IEC
61850 Standard”,
Fig. 9 - Esempio di videata dello strumento di analisi statistica
