Big Data-based Identification and Fault Detection for Industrial Monitoring with Application to a Pharmaceutical Freeze-Dryer

Nell'era dell'Industria 4.0, i Big Data stanno diventando un fattore sempre più decisivo per permettere alle aziende di avanzare in termini di efficienza, produttività e qualità. Un esempio lampante è fornito dai nuovi metodi decisionali per eseguire la manutenzione di un impianto industriale. I metodi tradizionali di sostituzione dei componenti dei macchinari sono principalmente di due tipi: manutenzione correttiva e manutenzione preventiva, entrambe costose e inefficienti. Di contro, i dati acquisiti dai sensori all'interno degli impianti industriali permettono di creare soluzioni di manutenzione intelligenti: lo stato di deterioramento delle attrezzature viene costantemente monitorato, in modo che un componente venga sostituito solo quando è veramente necessario. Tuttavia, all'interno di macchinari datati, sono presenti solo i sensori necessari a monitorare i processi svolti dall'impianto produttivo, quindi spesso non è banale creare modelli in grado di simulare i processi e descrivere lo stato di salute della macchina sulla base di questi pochi segnali. Al fine di promuovere l'adozione diffusa di soluzioni di trasformazione digitale, lo studio di sistemi diagnostici basati su grandi quantità di dati, acquisiti da pochi sensori, è essenziale. Gli obiettivi perseguiti in questo lavoro sono (i) lo sviluppo di un simulatore di processo che rappresenta un "digital twin" di una macchina e (ii) lo sviluppo di sistemi di diagnostica e gestione della salute della macchina. Con l'intenzione di affrontare il primo obiettivo, consideriamo il problema di recuperare la struttura di connessione della rete dai dati misurati di input-output di un circuito resistivo-capacitivo (RC). Il modello considerato è abbastanza generale da descrivere vari fenomeni che si verificano all'interno di macchine industriali tradizionali, come i sistemi termici e i sistemi fisici di rete. Per raggiungere il secondo obiettivo, concentriamo il nostro studio sulle macchine per la liofilizzazione e usiamo i dati storici dei loro segnali di sensori per creare modelli diagnostici. Presentiamo un approccio basato sul time-aware clustering per analizzare i dati dei sensori allo scopo di prevedere l'evoluzione temporale dello stato di salute di un componente della macchina in un impianto farmaceutico. Infine, descriviamo un modello matematico relativo alle perdite di gas dei liofilizzatori e affrontiamo il problema di identificare e separare flussi di gas interni ed esterni. Proponiamo un metodo di identificazione delle perdite basato sull'uso di test multipli di rilevamento delle stesse.