Automazione e Strumentazione
■
Ottobre 2013
CONTROLLO
tecnica
91
fatti, ma è altrettanto importante è richiamare la funzione
diagnostica automatica estesa a tutto il sistema che attra-
verso la mappatura spazio temporale dei dati acquisiti
(messi a disposizione dalla piattaforma) sull’albero dei
guasti “eseguibile” individua potenziali problemi sia spe-
cifici di impianti sia risultato di malfunzionamento o indi-
sponibilità estese a differenti sistemi.
La funzione diagnostica è potente in quanto sfrutta le
informazioni (nel tipo/valore, nello spazio e nel tempo)
rese disponibili dal SIF attraverso il suo interfacciamento
ai vari sottosistemi.
Il supporto di integrazione sfrutta la piattaforma SIF al
centro di controllo, dove le due catene Scada si uniscono;
al SIF sono connessi anche altri sistemi di terzi quali
impianti di diffusione sonora e visiva, segnalamento, ecc.
Conclusioni
La interoperabilità dei componenti ha superato la con-
trapposizione fra sistemi DCS e Scada rendendone più
labili i confini, assicurando una convergenza operativa
utile negli aspetti tecnico ed economici e giustificata
dall’esigenza di competitività, ma anche di efficienza e
sicurezza. L’integrazione non si riferisce solo a sistemi
di controllo differenti ma anche analoghi e sistemi già
installati.
Pur nella differenza nativa tra gli obiettivi di DCS e Scada,
è vantaggioso integrarli ad un livello capace di elaborare
le informazioni provenienti da sistemi multivendor , porli
in comunicazione e offrire servizi accessori quali DBMS,
sincronizzazione di processi, normalizzazione di dati,
accesso a sistemi eterogenei, diagnostica estesa.
L’integrazione utilizza un’apposita piattaforma neutrale
(SIF) che acquisisce e integra le informazioni, le rende
omogenee e le trasferisce velocemente alle applicazioni
che le hanno sottoscritte.
Bibliografia
[1]
H. Mao, X.J. Zeng, “Integration platform”,
IEEE
Transactions on Power Systems
, Vol. 24, No. 2, May
2009.
[2]
L.R. Chao, C.M. Chung, Y.H. Wang, W.C. Lin, “A
knowledge abstraction approach for multimedia presenta-
tion”, System Theory,
Proceedings of the Twenty-Ninth
Southeastern Symposium
, 1997.
[3]
G Hohpe, B Woolf,
Enterprise integration patterns:
Designing, building, and deploying messaging solutions
,
Elsevier, 2004.
[4]
Varun Chandola,
Anomaly Detection
, University of
Minnesota, Survey.
[5]
A. Sfetsos, C. Siriopoulos,
Combinatorial time series
forecasting based on clustering algorithms and neural
networks
, Springer-Verlag London Limited, 2004.
[6]
S. Decherchi, S. Ridella, R. Zunino, P. Gastaldo,
D. Anguita, “Using Unsupervised Analysis to Constrain
Generalization Bounds for Support Vector Classifiers”,
IEEE Transactions on Neural Networks
, Vol. 21, No. 3,
March 2010.
■
