AES_2 2023

SCENARI Primo piano 22 Marzo 2023 n Automazione e Strumentazione Trasferiscono infatti grandi quantità di dati, con payload di dimensioni variabili, solo quando necessario. Tutta- via, le reti OT sono utilizzate sia per la gestione I/O che per il controllo, attraverso la trasmissione continua di informazioni, il che corre il rischio di sovraccaricare la rete fisica. Per questo motivo, è fondamentale una corretta gestione della larghezza di banda disponibile mediante l’uso di router per segmentare le reti e di switch per gestire il traffico. In definitiva gli strumenti intelligenti, fonte primaria dei Big Data industriali, sono anche una componente essenziale per l’implementazione delle strategie IIoT. Gli utenti possono sfruttare appieno il valore di questi dispositivi, e il conseguente potenziale dell’analisi IIoT, solo quando i sistemi possono accedere rapidamente e facilmente alla crescente quantità di dati disponibili. Smart Sensor Nell’Industria 4.0 il numero crescente di sensori e, in generale, di fonti dati disponibili, rendono sempre più dettagliata la visione virtuale di macchine, sistemi e processi. D’altra parte i sistemi e le architetture per l’elaborazione dei dati stanno diventando sempre più complessi e solo con dati pertinenti, di alta qualità e utili è possibile svilupparne il potenziale economico. Una buona pratica consiste nel determinare in anticipo quali informazioni sono rilevanti per l’applicazione, in che punto del flusso di dati possono essere estratte e con quali algoritmi di AI/ML possono essere elaborate. Ciò significa raffinare i dati ovvero trasformare i Big Data in Smart Data. La corretta gestione dei dati è estremamente importante per generare valore aggiunto dai segnali provenienti dai sensori. A seconda dell’applicazione, interpretare cor- rettamente i dati del sensore ed estrarre le informazioni utili può essere più o meno complicato. A semplificare il processo, l’elaborazione dei dati mediante algoritmi di Intelligenza Artificiale consente l’analisi automatizzata di dati di sensori. Attraverso questa analisi, le informa- zioni desiderate e il valore aggiunto vengono automati- camente ricavati lungo la catena di elaborazione dei dati. Quanto alla creazione di modelli generati dagli stessi algoritmi di AI, sono possibili due approcci principali. Il primo è la modellazione mediante formule e relazioni matematiche. Questo approccio combina i dati del sen- sore con le informazioni di base per produrre un risultato più preciso. Un esempio noto è il filtro di Kalman. Il secondo approccio è quello basato sui dati: se sono disponibili dati, ma non informazioni di base sotto forma di equazioni matematiche, gli algoritmi estraggono le informazioni direttamente dai dati. È il caso dei metodi di apprendimento automatico, tra cui regressione line- are, reti neurali, modelli di Markov. L’intera catena di elaborazione dei dati con tutti gli algo- ritmi necessari in ogni singola fase deve essere imple- mentata in modo tale da generare il massimo valore aggiunto, a partire dal sensore con risorse limitate attra- verso gateway e computer perimetrali, fino a server cloud di grandi dimensioni. In generale è vantaggioso implementare gli algoritmi in prossimità dei sensori. In questo modo, i dati vengono compressi e perfezionati in una fase iniziale e i costi di comunicazione e archivia- zione vengono ridotti. n Architettura Smart Devices / Connected Enterprise (fonte: Rockwell Automation)