Una volta costruita la metodologia real-time di sviluppo ed analisi dei modelli presentati, ci siamo chiesti a che livelli dell’architettura informatica di impianto debbano essere rilasciati per consentire il loro funzionamento efficace.
Come descritto nel paragrafo 1.3 -, i DCS di impianto sono tipicamente costruiti su 5 differenti livelli, dall’acquisizione delle misure di interesse sul campo all’analisi di informazioni aggregate al livello più alto. Più aumenta il livello e minore è il dettaglio sui dati acquisiti dai sensori, inoltre, maggiore è il livello e maggiore è la potenza di calcolo a disposizione per effettuare analisi sui dati.
Per definire come suddividere le metodologie presentate sui vari livelli di impianto, è necessario suddividere le caratteristiche prognostiche dei possibili modi di guasto in due categorie:
1. Modi di guasto che richiedono un monitoraggio hard real-time 2. Modi di guasto che richiedono un monitoraggio soft real-time
Appartengono alla prima categoria quei modi di guasto o fenomeni di perdita di prestazioni del macchinario che hanno una rapida evoluzione nel tempo e che necessitano di un intervento immediato non appena diagnosticati da parte dell’automazione di impianto.
Appartengono invece alla seconda categoria quei modi di guasto, tipici dell’usura e/o corrosione di componenti meccanici, che presentano una fenomenologia di degrado di lunga durata e che necessitano di interventi manutentivi da parte degli operatori di manutenzione.
Per l’una e l’altra categoria, è necessario implementare i modelli a diversi livelli del DCS per garantire l’efficacia degli interventi, automatici o tramite personale dedicato.
Una ulteriore riflessione necessaria riguarda invece la tipologia di misura acquisita, che a sua volta determina la necessità o meno di spingersi ad operare a livelli più bassi del DCS. In particolare, anche in questo caso le misure possono essere suddivise in due macro-famiglie:
1. Misure che richiedono un pre-processing sui dati raw per poterne cogliere il contenuto informativo;
2. Misure che non richiedono un pre-processing sui dati raw.
Appartengono alla prima categoria tutte le misure il cui contenuto informativo riguardo allo stato di salute del macchinario sono visibili solo se analizzati ad alta frequenza di campionamento ed esplicate al meglio dopo una trasformazione dei dati. Ad esempio, il valore grezzo così come acquisito da un sensore di vibrazione non ha un elevato contenuto informativo quanto una sua trasformazione nel dominio delle frequenze (ad esempio utilizzando una trasformazione FFT o Wavelet) e quindi è necessario trasformarle a basso livello del DCS (ad esempio livello 1 PLC e sistemi di controllo) così da inserire tra le variabili spia del modo di guasto il loro contenuto di ampiezza e frequenza. Solitamente queste misure una volta effettuata la trasformazione ad alta frequenza non perdono di contenuto informativo se storicizzate ad un tempo di campionamento relativamente alto (secondi, minuti o addirittura ore) poiché una loro variazione sostanziale avrà tempi paragonabili al processo di usura dovuto al fenomeno di guasto.
Appartengono invece alla seconda categoria tutte le misure che sono informative già così come sono acquisite dal sensore. Tipicamente queste grandezze presentano ad alta frequenza solo delle oscillazioni intorno al valore atteso e le loro variazioni sostanziali sono apprezzabili ad intervalli di tempo relativamente lunghi (secondi, minuti, ore). Per queste grandezze la fase di pre-processing, se necessaria, non ha bisogno di essere effettuata a livello 1 del DCS ma può essere spostata a livelli più alti ed effettuata direttamente sui dati storicizzati, dato che il campionamento dovuto alla storicizzazione del dato non inficia il loro contenuto informativo.
Nel caso si abbia a che fare con misure appartenenti alla prima categoria è necessario prevedere a monte della costruzione dei modelli diagnostici e/o prognostici una fase di trasformazione dei dati al livello 1 del DCS per poter poi analizzare i dati storicizzati con il giusto contenuto informativo.
Nella tabella seguente si riportano: il livello di DCS in cui sono rilasciati i modelli sviluppati e dove avvengono le fasi di analisi on-line descritte in Figura 2.2 Framework del modello prognostico real-time. e Figura 2.3 Framework del modello di stima della RUL in assenza di dati di guasto. suddivise per modelli soft real-time ed hard real-time. In entrambi i casi le fasi di sviluppo degli algoritmi possono essere effettuate anche separatamente su PC dedicati o a livello 3 del DCS dove si ha una elevata potenza di calcolo. La differenza è che nel caso in cui si costruiscano modelli hard real-time che necessitano di misure con campionamento più alto di quello di storicizzazione, è necessario prevedere una fase di acquisizione dei dati raw al posto della prima fase di estrazione dei dati dal database di impianto.
Tabella 2.1 .Livelli di rilascio dei modelli e di analisi on-line dei dati
FASI DELLA METODOLOGIA LIVELLO DCS
SOFT REAL-TIME HARD REAL-TIME
M
O
D
EL
LI
Modello di validazione delle
misure Livello 3: Controllo di produzione Livello 1: Controllo diretto Modello diagnostico/state
detection Livello 3: Controllo di produzione Livello 1: Controllo diretto Modello di previsione della RUL Livello 3: Controllo di produzione NA
A N A LI SI O N -L IN E
Acquisizione dati real-time Livello 3: Controllo di produzione Livello 1: Controllo diretto Valori validati Livello 3: Controllo di produzione Livello 1: Controllo diretto Pre-processing dei dati Livello 3: Controllo di produzione Livello 1: Controllo diretto Individuazione dell’attuale
performance del macchinario Livello 3: Controllo di produzione Livello 1: Controllo diretto Post-processing dell’output del
modello di state detection Livello 3: Controllo di produzione NA Previsione della vita utile
rimanente del macchinario analizzato
Livello 3: Controllo di produzione NA
Come descritto in tabella, nel caso in cui si abbia a che fare con modi di guasto o perdite di prestazione che necessitano di modelli hard real-time la fase prognostica è inutile da implementare in quanto non si necessita di una schedulazione di un intervento manutentivo ma si agisce direttamente a livello di controllo di impianto, regolando il funzionamento del macchinario o bloccandolo.
Per implementare modelli diagnostici e/o di state detection hard real-time è necessario munirsi di PLC di ultima generazione che permettono di implementare modelli analitici complessi come modelli di machine learning o statistici avanzati. Ad esempio, i PLC Siemens SIMATIC STEP 7 supportano modelli sviluppati in Simulink PLC Coder, sfruttando quindi la potenza di MATLAB nell’implementazione di modelli analitici avanzati. In entrambi i casi, la fase di re-training dei modelli, che può essere necessaria quando si hanno a disposizione nuovi dati utili all’addestramento del modello diagnostico o di state detection, è comunque da prevedere su PC dedicati o di alto livello del DCS, che rilasceranno poi i parametri dei modelli aggiornati sui PLC.