MAGGIO 2014
FIELDBUS & NETWORKS
87
dei fanghi biologici dall’acqua trattata. In questo studio sono
stati impiegati tutti e tre gli stadi indicati in figura 2: parame-
trizzazione, PCA, FC. La variabile fondamentale per descrivere
la condizione della filtrazione è la pressione di transmembrana
(TMP), il cui ciclo tipico, consistente in filtrazione, rilassamento
e contro-lavaggio è mostrato in figura 6.
Dopo aver raccolto oltre un anno di dati di funzionamento e
averne estratto i parametri indicati in figura 6, se ne è aumentato
il potere discriminante mediante PCA e successiva elaborazione
con FC, individuando insiemi significativi, quali l’aumento della
resistenza di filtrazione di tipo reversibile o irreversibile. Dalla
figura 7 si nota come l’evoluzione di ogni membrana sia diversa,
ma come sia possibile seguirne il progressivo deterioramento
fino alla sostituzione. La metodica e i risultati di questo studio
sono descritti in Maere et al., (2012). Un ulteriore studio, analisi
di guasto in tempo reale in depuratori a cicli alternati, è tuttora
in fase di sviluppo in collaborazione con ETC-ENG (TN) e ha lo
scopo di individuare malfunzionamenti nel processi di depura-
zione biologica a cicli alternati. Per adesso si è considerata la
misura dell’ammonio e come nel caso precedente si è effettuata
una parametrizzazione del ciclo della sonda, mostrato in figura
8 dove si nota che i parametri significativi sono le pendenze e
le durate delle fasi anossica e ossidativa. Successivamente tali
parametri sono stati trasformati mediante PCA e si sono defi-
nite tre soglie del valore del T2 di Hotelling per definire diverse
gravità di guasto, come mostrato in figura 9. Il sistema è stato
implementato nella piattaforma realtime LabView (National In-
struments) ed è attualmente in fase di test presso un depuratore
municipale con una potenzialità di 100.000 AE.
Conclusioni
Questa breve rassegna ha avuto lo scopo di mostrare, attraverso
alcuni esempi pratici, come sia possibile realizzare dei sistemi di
rilevazione guasti (Fault Detection) da incorporare nello Scada
di impianto senza la necessità di acquisire hardware aggiuntivo,
ma semplicemente adattando il processo logico di figura 2 al
caso in esame. Dopo aver individuato i parametri più significa-
tivi come indicatori di guasto e aver allenato la logica con dati
specifici, il sistema è in grado di rivelare il guasto ed eventual-
mente discriminare fra diversi tipi di malfunzionamento. Oltre
alla semplice diagnosi, questo sistema può costituire il primo
stadio di una catena di controllo volta a contrastare il guasto
e a minimizzarne le conseguenze sull’efficienza del processo.
Nota (*): Prof. Stefano Marsili Libelli, Dipartimento di Ingegneria dell’Infor-
mazione, Università degli Studi di Firenze
Nota: La memoria è stata presentata durante il Forum Telecontrollo di Anie
e premiata con l’Anie Automazione Award
Riferimenti bibliografici
Maere T., Villez K., Marsili-Libelli S., Naessens W., Nopens I. (2012). Mem-
brane bioreactor fouling behaviour assessment through principal component
analysis and fuzzy clustering. Water Research 46, 6132 - 6142.
Spagni A., Marsili-Libelli S. (2010). Artificial intelligence control of a se-
quencing batch reactor for nitrogen removal via nitrite from landfill leachate.
J. of Environmental Science and Health Part A 45, 1085 - 1091.
Marsili-Libelli S., (2010). Modelling and automation of water and wastewa-
ter treatment processes. Environmental Modelling & Software 25, 613 – 615.
Marsili-Libelli S., Maietti, G.M. (2008). Energy-saving through remote control
of a wastewater treatment plant. Proc. 8th SIDISA Simposio Internazionale
di Ingegneria Sanitaria e Ambientale, Firenze 24 - 27 Giugno 2008.
Baggiani F., Marsili-Libelli S. (2009). Real-time fault detection and isolation
in biological wastewater treatment plants. Water Sci. Tech. 60, 2949 – 2961.
Moscatelli, A.,Rossi, L., Marsili-Libelli, S., Lubello, C. (2006). Diagnostica del
processo di chiari-flocculazione mediante tecniche di intelligenza artificiale.
Ingegneria Ambientale vol. XXXV n. 9, 443 - 455.
Marsili-Libelli S. (1998). Adaptive fuzzy monitoring and fault detection. Int.
J. Comadem, 1 (3): 31 -38.
Marsili-Libelli S., Müller A. (1996). Adaptive fuzzy pattern recognition in
the anaerobic digestion process. Pattern Recognition Letters 17, 651 – 659.
Müller A., Marsili-Libelli S., Aivasidis A., Lloyd T., Kroner S., Wandrey C.
(1997). Fuzzy control of disturbances in a wastewater treatment system.
Water Research 31, 3157 - 3167.
Figura 8 - Parametrizzazione del ciclo della sonda ammonio
Figura 9 - Valore dei T2 e relative soglie utilizzate nella diagnosi
