EO_500

DIGITAL PREDICTIVE MAINTENANCE ELETTRONICA OGGI 500 - MARZO 2022 46 Fig. 2 – Dati relativi al flusso di manutenzione predittiva dal campo al cloud flusso di dati viene prodotto spesso nell’arco di tempo di millisecondi e in grandi volumi. L’approccio PdM4.0 suggerisce un ambiente analitico come quello raffigurato in figura 3. L’analisi iniziale rileva il comportamento irregolare della risorsa entro pochi millisecondi dall’effettivo verificarsi dell’evento. I dati utilizzati per eseguire queste analisi si trovano in genere localizzati nella risorsa in esame e si basano sui dati acquisiti dalla risorsa stessa quando funzionava normalmente. L’analisi diagnostica che identifica la causa principale dell’anomalia, come un cuscinetto guasto in un motore, richiede una conoscenza preliminare degli stati di guasto. I risultati della diagnostica possono essere disponibili nel giro di minuti. L’analisi prognostica che indica la vita utile rimanente di un cuscinetto può richiedere un tempo dell’ordine di ore per fornire un risultato, e richiede l’accesso a più tipi di dati e da più fonti per poter effettuare la previsione. Architetture di esecuzione I dati strutturati e non strutturati, i lotti e il flusso di dati, la velocità e il volume dei medesimi fanno parte del più ampio quadro di analisi nell’ambito dell’iniziativa Industria 4.0 e la manutenzione predittiva si basa su tale contesto. Stanno emergendo due architetture fondamentali: • Architettura Lambda • Architettura Kappa L’architettura Lambda L’architettura Lambda (Fig. 4) è un modello di esecuzione dell’elaborazione dei dati che combina una sequenza tradizionale di lotti di dati con una sequenza di flusso di dati ad alta velocità e in tempo reale, per assicurare un accesso ai dati in grado di fornire un’analisi basata sui dati e sugli eventi in presenza di volumi enormi di dati generati rapidamente. Apache Kafka è un ambiente spesso utilizzato per ottenere una sorgente di informazioni (Data Source). Si tratta un archivio dati distribuito ottimizzato per l’acquisizione e l’elaborazione di flussi di dati in tempo reale, in modo sequenziale e incrementale. Esso funge da archivio intermedio che può contenere i dati e servire sia il livello batch che il livello di velocità dell’architettura Lambda. Il livello batch viene spesso realizzato o utilizzando una tecnologia come Apache Hadoop per l’acquisizione e l’archiviazione dei dati. Questi ultimi vengono trattati come immutabili e possono essere solo accodati per garantire la presenza di un registro storico affidabile di tutti i dati in entrata. Il livello di servizio indicizza in modo incrementale le visualizzazioni dei lotti di dati più recenti per consentire le ricerche da parte degli utenti finali ed esegue l’elaborazione in modo altamente parallelo per minimizzare il tempo di indicizzazione della serie di dati. Il livello di velocità integra il livello di servizio indicizzando i dati più recenti aggiunti che non sono stati ancora completamenteindicizzatidallivellodiservizio.Ingenerale, i gatewaysul camposonodestinati aquestafunzioneagendo in prossimità del flusso di dati sul campo. Essi acquisiscono i messaggi, filtrano i dati, forniscono la mappatura delle