L'obiettivo della ricerca consiste nella definizione di un metodo gestionale ideato in modo tale da fornire in tempo reale informazioni sintetiche utili alla rilevazione ed alla previsione di eventuali malfunzionamenti o condizioni operative inefficienti a partire dai dati di monitoraggio relativi a parametri energetici, produttivi, manutentivi e ambientali che caratterizzano i processi industriali. Mediante l'applicazione di opportuni algoritmi di Machine Learning (regressione lineare, reti neurali, Cluster Analysis, alberi decisionali, ecc.), Complex Network Analysis (CNA) e Graph Database (GDB) è possibile, estraendo le informazioni e le tendenze più importanti fra le variabili monitorate, individuare connessioni logiche e correlazioni nascoste tra i diversi parametri che descrivono il comportamento di un impianto complesso. L'intento è quello di riconoscere l'evoluzione di eventuali malfunzionamenti o condizioni operative anomale e di individuare precocemente possibili guasti incipienti. Ciò permette di suggerire appropriate misure da adottare per ottenere risultati ottimali, riducendo in tal modo i costi operativi ed eliminando i tempi di inattività e gli sprechi. L'attività principale del gruppo di ricerca sarà costituita da una prima fase di ricerca bibliografica, per avere un quadro dettagliato dello stato dell'arte riguardante le tecniche di gestione ed analisi dei dati precedentemente elencate ed individuare i modelli matematici più adatti per gli scopi prefissati, per poi passare alla fase di progettazione del metodo e la successiva validazione. Il modello verrà istruito con dati acquisiti mediante il monitoraggio di un impianto fotovoltaico di riferimento in condizioni di corretto funzionamento e in seguito testato con dati di processo in condizioni che si discostano dal funzionamento ottimale al fine di analizzare la capacità del modello di individuare problematiche differenti.
L'analisi predittiva attualmente supporta i team dei settori più disparati, tra cui finanza, sanità, meteorologia, industria farmaceutica, settore automobilistico, aerospaziale, manifatturiero e settore energetico; in quest'ultimo caso l'analisi trova applicazione prevalentemente nella previsione della domanda di energia sulla rete elettrica utilizzando modelli che monitorano la disponibilità degli impianti a fonti rinnovabili, le tendenze storiche, la stagionalità e le condizioni meteo. Al contrario, l'applicazione nell'ambito di grandi impianti di produzione di energia di modelli di previsione dei guasti risulta oggi molto promettente e con ampi margini di sviluppo. Il controllo degli impianti di produzione di energia elettrica da fonte solare FV, ad esempio, nella maggior parte delle realtà esistenti è consistita finora nella definizione di indicatori di prestazione standard [1] (Performance Ratio (PR), Energy Performance Index (EPI) e Power Performance Index (PPI), Energy Delivery, Specific Performance, Energy Availability, Short-term Performance Test, etc.) finalizzati sostanzialmente a quantificare l'energia generata dall'impianto in un determinato periodo di tempo e a valutare in termini economici il ritorno dell'investimento (ROI) dell'impianto [2]. Tuttavia, negli ultimi tempi, complice da un lato il rapido sviluppo tecnologico nel campo dei sensori e dei sistemi di smart monitoring in diversi settori (building automation, impianti FV, ecc.) e, dall'altro, una sempre più forte presa di coscienza su temi quali l'efficienza energetica, la sostenibilità ambientale e l'ottimizzazione delle risorse, si è assistito ad un radicale cambio di prospettiva da parte del mondo industriale nei confronti di attività quali la gestione e la manutenzione degli impianti, ritenute in passato un costo e viste invece oggi come un elemento chiave su cui investire per ridurre il rischio di guasti, eliminare gli sprechi e i tempi di inoperatività dell'impianto ed ottimizzare le risorse a disposizione [3]. I continui investimenti nel settore Operations and Maintenance (O&M) hanno permesso quindi alle grandi realtà industriali di dotare progressivamente i propri impianti di appropriati sensori, strumenti di misura ed efficaci sistemi di monitoraggio. La sfida che si presenta oggi è pertanto quella di gestire ed analizzare nel modo più idoneo ed efficace le enormi quantità di dati continuamente provenienti dal sistema di monitoraggio tipico di un impianto. Allo stato attuale i dati vengono analizzati con strumenti statistici classici e spesso per analisi a posteriori, ma sia la comunità scientifica che quella industriale sono concordi nel riconoscere che maggiori sforzi nella ricerca di tecniche e metodi più intelligenti di sfruttamento degli enormi volumi di dati disponibili costituirebbero un valido strumento per migliorare l'efficienza e la sostenibilità dei processi produttivi. Algoritmi di Machine Learning, Complex Network Analysis e graph database potrebbero rivelarsi particolarmente efficaci nel riconoscimento precoce e nella predizione di anomalie di funzionamento e guasti. Tali metodi infatti sono in grado di analizzare le correlazioni fra le diverse variabili che descrivono un processo all'interno di un numero anche molto grande di variabili misurate, di estrarre in maniera efficiente, veloce, dinamica e adattiva informazioni chiave non visibili ad occhio nudo e di riconoscere quindi quei fattori che sono i segnali premonitori più significativi del guasto stesso e, sulla base di questi segnali, rilevare in anticipo l'occorrenza di una anomalia, consentendo di intervenire sull'impianto in maniera pronta ed efficiente [4]. Tipiche applicazioni della Complex Network Analysis e dei graph database spaziano attualmente in differenti ambiti, come la bio-informatica, il web semantico, le ontologie, ed i servizi di social networking [5], ma sono scarsamente presenti studi in letteratura riguardanti la loro applicazione nell'ambito della gestione prettamente energetica.
[1] Best Practices in Photovoltaic System Operations and Maintenance - NREL/Sandia/Sunspec Alliance SuNLaMP PV O&M Working Group - Technical Report NREL/TP-7A40-67553 December 2016.
[2] PV System Performance Assessment - By James Mokri, SJSU, and Joe Cunningham, CentroSolar In collaboration with the SunSpec Performance Committee, 2014.
[3] Magorzata Jasiulewicz-Kaczmarek, The role and contribution of maintenance in sustainable manufacturing, 7th IFAC Conference on Manufacturing Modelling, Management, and Control, International Federation of Automatic Control, June 2013. Saint Petersburg, Russia.
[4] A. Corsini, F. Bonacina, S. Feudo, A. Marchegiani, P. Venturini, 2017, "Internal Combustion Engine sensor network analysis using graph modeling", Energy Procedia 126 (201709) 907-914.
[5] Park, C.S., Lim, S., 2014. "Efficient processing of keyword queries over graph databases for finding effective answers", Information Processing and Management 51 (2015) 42-57.