Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
VAR Sirio Industria
«IoT e Predictivity nel mondo dell’energia»
Fabio Massimo Marchetti
Business Development, Marketing and Sales
IoT Architectures
Trend tecnologici
• Internet: la comunicazione IP si estende anche a livello dell’integrazione
dei sensori nel mondo industriale.
• Virtualizzazione delle applicazioni.
• Elettroniche con potenza di calcolo sempre più elevate in dimensioni
sempre più ridotte.
• Diffusione connessioni wireless : stabili, veloci, sicure, versatili e ovunque.
Internet of Things: il nuovo paradigma
Dalle architetture gerarchiche alle architetture collaborative:
• I dispositivi di monitoraggio pubblicano informazioni su se stessi ed accedono a dati prodotti da altri.
Le loro applicazioni sottoscrivono un servizio di notifica del cambiamento delle informazioni.
• Auto-configurabilità dei dispositivi.
• Auto-provisioning: la possibilità di distribuire un sistema informatico o un servizio di
telecomunicazione mediante procedure predefinite che non richiedono l’intervento umano.
Attraverso l’IoT si ottiene quindi:
• Ottimizzazione delle infrastrutture
• Disponibilità condivisa di una grande quantità di informazioni
• Spostamento del focus sulle funzioni applicative
Internet of Things: le componenti
Le piattaforme rendono disponibili una elevata quantità di micro servizi spostando il focus dal «scrivere» applicazioni a quello di costruire un’architettura di microservizi interconnessi dai flussi dati creatisi.
Internet of Things: il «cloud» scende in campo con il «fog»
L’ elaborazione del dato si sposta vicino al device che lo ha generato creando un layer di ottimizzazione, contestualizzazione, aggregazione delle informazioni in modo da ridurre le necessità di comunicazioni e di storage a livello cloud.
Una architettura IoT con layer «fog» o «edge»
Il gateway locale adotta un framework che permette di portare in campo un primo livello di
«stream analytics» che permettono di aggregare, contestualizzare e normalizzare i dati
e generare degli eventi in funzione di semplici regole applicate ai dati stessi.
EMPLC
EQUIP 1
PLC EMPLC
EQUIP ...
EM
IoT Gateway
EQUIP 2
PLC
EQUIP N
IoT Platforms
Dall’ Internet of Things all’Internet of Factory TM
Un approccio 4.0 per definizione è un approccio cross dipartimentale. L’energia incontra le
operations ed insieme generano un quantità elevatissima di informazioni (…big data?) che
aggregate ad altre informazioni generate da paralleli universi di «cose» permettono di costruire analytics
sempre più articolate ed effettive.
Qualcuno la chiama Internet of X ….Noi, focalizzandoci sul mondo del manufacturing,
l’abbiamo chiamata Internet of Factory TM.
EM
IOF PMSWeb Client
IOF PMS
Gestione, assegnazione, stato ordini e avanzamento produzione
KPI perfomances
Genealogia e tracciabilità
PLC
EQUIP 1
PLC EMPLC
EQUIP ...
EM
IOF Line Contoller
IOF Line HMI
EQUIP 2
ERP
Modellazione linee e processo
Gestione ordini di produzione
Tracking e genealogia
Sinottici di stato della linea
Gestione diagnostica e allarmi
Giustificazione causali non automatiche
Perfomance e KPI
An
agra
f.
Ord
ini
(lis
ta) D
ati Prod
.
Ordini per linea+ dati associati all ordine
Dati RT + Dati produzione
Stati/allarmiDati per operatore
Ordine manuale, dati da operatore per funzioni accessorie
Gestione dispositivi
ReportisticaKPI in tempo reale
PLC
EQUIP N
IoT Platforms
Predictive analysis
Predictive: il percorso
• Validazione dei dati
• Analisi dei dati
• Scelta degli algoritmi e modelli predittivi da
applicare, creazione dei modelli e loro
applicazione ai dati sia in tempo reale che su
base storica
• Validazione o eventuale affinamento dei
modelli definiti
Predictive: data validation
Data Validation: rilevamento e correzione/rimozione dei dati corrotti o inaccurati (outliers). Normalmente effettuata in due fasi:
• Rimozione delle misurazioni i cui valori non sono inclusi all'interno di un range di accettabilità oppure determinate da condizioni di operatività non standard.
• Applicazione di tecniche di clustering per la rimozione di eventuali altri outliers rimasti dal precedente step.
Al termine di questo processo il dato deve rispettare i requisiti di qualità (validità, accuratezza, completezza, uniformità.)
Predictive: data analysis
Divisione del data set in:
• Training
• Validation
• Test set
Data analysis per la ricerca di patterns sui data
set acquisiti e/o importati con correlazione agli
eventi riscontrati o ad altri dati disponibili da
piattaforme terze
(produzione/meteo/maintenance/personale/…)
Predictive: modelli di analisi da applicare
• Random forests or random decision forests: are an ensemblelearning method for classification, regression and other tasks,that operate by constructing a multitude of decision trees attraining time and outputting the class that is the meanprediction (regression) of the individual trees.
• SVM (support vector machines): are supervised learningmodels with associated learning algorithms that analyze dataused for classification and regression analysis.
• Neural networks: consist of multiple layers and the signal pathtraverses from front to back. Used in low-level machinelearning characterized by knowledge embodied in theparameters of a cognitive model with some dynamical system.
Predictive: selezione del/i modelli di riferimento
Attraverso la verifica dei risultati ottenuti applicando i
modelli predittivi definiti in precedenza viene creato un
ranking correlato (KPI).
Sulla base dei risultati e dei KPI calcolati verrà
identificato il/i modelli di riferimento che meglio si
adattano allo scopo e vengono individuati affinamenti
per migliorarne ulteriormente i risultati.
Al termine dell’attività viene consolidato il modello
predittivo finale risultante dagli affinamenti successivi
effettuati.
Predictive: quali applicazioni?
• Analisi predittive sui consumi
• Analisi di copertura delle necessità energetiche
• Analisi predittive sulla manutenzione degli impianti
• Analisi predittive sulla qualità del prodotto finito correlato ai costi per mantenere tale qualità
• …… altri obiettivi
PER AVERE INVESTITO IL VOSTRO TEMPO CON NOI