di Ciarapica Filippo Emanuele
I sistemi di energy management delle aziende hanno l’obiettivo di ridurre i consumi di energia senza diminuire gli output di produzione. Nel contesto attuale, questo obiettivo può essere raggiunto anche grazie all’utilizzo dei concetti di Internet of Thinks (IoT) e Data Analytics. Le relazioni tra IoT e Data Analytics sono descritte da Feller et al. (2015): IoT pensato come la connessione di oggetti fisici o prodotti, dotati di sensori e attuatori, a Internet consentendo l’interazione tra questi oggetti e prodotti. L’IoT raccoglie dati da diverse fonti (nell’Energy Management spesso da sensori di misura di potenza ed energia incorporati nelle stazioni di lavoro) ed il Data Analytics è responsabile dell’estrazione di modelli o della generazione di modelli dall’output attraverso l’elaborazione dei dati.
Il primo passo verso la riduzione del consumo di energia nelle macchine utensili e nei sistemi di produzione è quello di ideare metodi per comprendere e caratterizzare il loro consumo energetico. Sia la tensione che la corrente devono essere misurate a bassa o alta frequenza di campionamento, al fine di calcolare il consumo di energia e di produrre statistiche più complesse sulla qualità dell’alimentazione, come i cali, i picchi e le armoniche. Sulla base della potenza misurata, si possono costruire modelli energetici empirici per stimare il consumo di energia relativo alla produzione.
Fino a qualche anno fa l’immagazzinamento e l’elaborazione dei dati erano tipicamente alimentate con set di dati relativamente puliti generati da fonti limitate; quindi, i risultati tendevano ad essere accurati. La recente introduzione del paradigma Industria 4.0 ha portato alla raccolta di grandi quantità di dati, eterogenei e generati con frequenze variabili. Questo ha introdotto un serio problema di gestione dei dati non solo per la crescita dei volumi dei dataset ma anche per la loro complessità e volatilità che rende l’elaborazione e l’analisi molto difficili da realizzare. Quando un’azienda vuole analizzare le caratteristiche energetiche del suo sistema produttivo deve tenere in considerazione dati forniti da diverse fonti, spesso posizionate in punti geograficamente lontani. Importanti informazioni possono essere raccolte dall’ufficio amministrativo (ad esempio i dati sui costi energetici), dai siti di produzione (consumo energetico delle stazioni di lavoro, dati di marcatura dell’avanzamento della produzione), dai fornitori (date di consegna del materiale), dagli uffici di pianificazione della produzione e dall’ufficio tecnico (codici dei prodotti, distinte base, tempi di lavoro e ciclo di produzione).
Lo sviluppo di modelli energetici attraverso Big Data Analytics a livello di unità di processo è un argomento di ricerca abbastanza analizzato in letteratura. Con l’emergere dell’approccio di data mining per la modellazione predittiva, diversi tipi di modelli possono essere costruiti su una piattaforma unificata: per implementare varie tecniche di modellazione, valutare le prestazioni dei diversi modelli e selezionare il modello più appropriato per la previsione futura. Tso e Yau (2007) hanno usato l’analisi di regressione, l’albero di decisione e modelli di reti neurali per la previsione del consumo di energia elettrica. La selezione del modello si basa sulla radice quadrata dell’errore quadratico medio. Lu et al. (2013) hanno presentato un quadro per prevedere il prezzo dell’elettricità, il picco di prezzo, il livello di picco e il livello di fiducia associato alla previsione. Il modello proposto si basa su un database di data mining che include il prezzo di compensazione del mercato, l’ora di negoziazione, la domanda di elettricità, l’offerta di elettricità e la riserva. Altri lavori (Seem, 2007; Berglund et al. 2011) prima estraggono le caratteristiche dal consumo giornaliero di energia e poi usano metodi statistici per identificare un uso non normale (alto o basso) di energia.
Alcuni lavori sono focalizzati sul livello del processo di lavorazione mentre altri lavori sono stati condotti a livello di macchina-utensile. Per quanto riguarda gli articoli sul livello del processo di lavorazione, Srinivasan e Sheng (1999) hanno sviluppato un approccio per la macro e micropianificazione della lavorazione per feature. La micropianificazione riguardava la selezione dei parametri di processo, degli utensili e del fluido di taglio in base all’uso di energia del processo, ai flussi di scarti, alla qualità del processo e al tempo di lavorazione. Draganescu et al. (2003) hanno usato dati sperimentali e la Response Surface Methodology (RSM) per stabilire un modello statistico dell’efficienza della macchina-processo e del consumo energetico specifico nella lavorazione. Sarwar et al. (2009) hanno scelto l’energia specifica di taglio (SCE) come parametro di valutazione per misurare l’efficienza del processo di taglio dei metalli, e la variazione di SCE rispetto ai diversi materiali del pezzo ha fornito informazioni preziose per i produttori di seghe a nastro e gli utenti finali per stimare le caratteristiche di lavorabilità dei pezzi selezionati.
Per quanto riguarda i lavori a livello di macchina-utensile, possiamo evidenziare il lavoro di Diaz et al. (2011). Questi ricercatori hanno effettuato una caratterizzazione sul consumo di energia delle macchine utensili di fresatura durante la loro fase di utilizzo. Hanno studiato l’effetto del materiale del pezzo sulla domanda di energia. Dahmus e Gutowski (2004) hanno sviluppato una ricerca sperimentale sul consumo energetico delle macchine utensili e hanno classificato l’energia totale del sistema in tre attività principali: “Operazioni di avvio costante”, “Operazioni di funzionamento” e “Operazioni di rimozione del materiale”.
I metodi di valutazione del consumo energetico sono un altro aspetto abbastanza analizzato in letteratura. Alcuni autori hanno evidenziato l’importanza di realizzare un sistema di monitoraggio in tempo reale, mentre altri autori hanno proposto modelli teorici per analizzare i consumi energetici. Per esempio, in Abele et al. (2012), la misurazione della potenza di lavoro di una singola macchina utensile è descritta da diversi moduli funzionali che sono ulteriormente composti da vari componenti. All’interno della loro Hardware-in-the-Loop-Simulation (HiLSimulation), un controllore fisico della macchina è collegato al modello di simulazione in modo che il PLC o i segnali di controllo numerico (NC), che contengono gli stati di accensione, le velocità degli assi, il percorso di movimento della macchina utensile, le operazioni di processo, ecc, sono accoppiati con i moduli funzionali e i componenti per consentire la simulazione energetica continua di una macchina utensile. Oltre a stimare il fabbisogno energetico della macchina, Eberspacher et al. (2014) hanno sviluppato ulteriormente il modello HiL-Simulation per il monitoraggio in tempo reale della domanda energetica di una macchina e dei suoi moduli funzionali in ambienti di produzione.
Vijayaraghavan e Dornfeld (2010) hanno sottolineato che, al fine di ridurre il consumo di energia, i dati energetici devono essere inseriti nel contesto dell’attività di produzione. Hanno sviluppato un sistema di monitoraggio, in cui MTConnect_standard, come uno standard basato su XML, per lo scambio di dati è selezionato per la raccolta dei dati dalle apparecchiature di produzione. Il sistema di monitoraggio automatizzato può aiutare ad allegare informazioni contestuali relative all’elaborazione ai dati grezzi. D’altra parte, diversi autori hanno evidenziato che generalmente le macchine e le attrezzature di produzione non sono misurate in modo permanente (Müller e Loffler, 2009; Garetti e Taisch (2012). La mancanza di sub-metering è evidenziata come la principale barriera al miglioramento dell’efficienza energetica nella produzione alta intensità energetica (Trianni et al., 2013).