Kiwitron, azienda specializzata in prodotti elettronici, software e servizi per la digitalizzazione dell’industria e per il settore material handling, ha avviato un programma di indagine sui problemi legati al monitoraggio delle anomalie di comportamento delle batterie. Abbiamo approfondito l’argomento in un’intervista con il dipartimento Data Science dell’azienda.
In cosa consiste il progetto che avete avviato sull’analisi delle batterie e la manutenzione predittiva?
A partire dall’analisi dei dati delle batterie, stiamo sviluppando un’implementazione che conduca alla manutenzione predittiva tramite il rilevamento delle anomalie. Il progetto è nato a ottobre 2021: comporta lo sviluppo di nuove funzionalità del nostro portale di lettura dei dati Kiwisat per il cliente finale. Prima dell’implementazione del progetto, le informazioni raccolte dall’ETS sulle batterie venivano mostrate senza ulteriori indicazioni. Con l’algoritmo del nostro team di Data Science possiamo categorizzare i dati e ottenere molti più dettagli, che raccogliamo entro modelli di anomaly detection: un termine con cui intendiamo l’individuazione dei “profili medi” dei segnali provenienti dalla batteria, per identificare come anomalie quei segnali che si discostano da tali profili medi, i cosiddetti outlier.
Così, potremo rispondere alla domanda: la batteria si sta comportando diversamente dal solito? Se la risposta è affermativa, in futuro potremo inserire segnali di avviso per gli operatori e sul gestionale.
Quali anomalie avete individuato fino a oggi grazie al vostro progetto?
In questo momento, possiamo segnalare due tipi di anomalie: i cosiddetti biberonaggi della batteria – l’abitudine per cui viene effettuata ripetutamente una carica parziale o senza attendere adeguati livelli di scarica – e le giornate che presentano comportamenti atipici. Infatti, raggruppando le giornate per cluster, si individuano facilmente gli outlier, ovvero le “eccezioni” alla norma. Al momento, l’anomalia rilevata può essere segno sia di un comportamento positivo, sia negativo. Un’idea per il futuro potrebbe essere quella di inviare una notifica di comportamento anomalo all’utente, che questi può decidere se accettare o rifiutare. Inoltre, anche se per ora effettuiamo l’analisi delle batterie rispetto all’utilizzo dello stesso dispositivo su un arco temporale, prossimamente potremmo confrontare il comportamento di batterie diverse rispetto ad altri paramenti.
Quindi per una manutenzione predittiva efficace, l’analisi dei dati è uno strumento imprescindibile, anche per programmare interventi ad hoc prima dell’insorgere dei problemi.
Certamente, anche grazie al progetto Kiwitron di anomaly detection sulle batterie ci stiamo avvicinando al traguardo di una manutenzione sempre più mirata. Il rilevamento di anomalie nell’uso e nel comportamento delle batterie è un passo fondamentale nella direzione della manutenzione predittiva, ma non solo: di tutte quelle pratiche che supportano la prevenzione dei rischi, il risparmio energetico e di risorse, l’utilizzo efficiente dei mezzi. Attraverso l’individuazione delle anomalie nel comportamento dei dispositivi, batterie comprese, siamo in grado di segnalare un eventuale uso scorretto del mezzo e prevenire il danneggiamento.
Per maggiori informazioni:
Kiwitron S.r.l.
Telefono +39 051 1889 3470
Email info@kiwitron.it
Indirizzo Via Vizzano 44 (BO)
