Facoltà: Ingegneria Gestionale - classe L-9
Collocazione: 17698
Autore: Stuppi Riccardo
Data: 17/10/2019
Titolo: Applicazione di modelli di ottimizzazione e di machine learning per migliorare l'efficienza energetica e la manutenzione di un sistema produttivo
Relatore: Pirovano Giovanni Luca
Autorizzazione per la consultazione: NO
Le tesi si possono consultare unicamente in sede
La tesi si propone di illustrare il progetto svolto durante il periodo di tirocinio presso la Tesar Spa. Scopo del progetto era porre le basi teoriche, funzionali e strutturali di un nuovo prodotto: un sistema di energy management industriale. La prima fase del progetto consisteva di due sotto-obiettivi: analisi della normativa inerente all’efficienza energetica industriale e analisi della concorrenza. L’analisi della normativa vigente ha consentito di determinare i principali incentivi normativi che consentiranno alle imprese di ottenere benefici fiscali grazie al sistema sviluppato. Tale sistema, grazie a report e algoritmi di scheduling, consentirà alle imprese di accedere al mercato dei Titoli di Efficienza Energetica, sia tramite il monitoraggio che come parte attiva dei progetti di efficientamento energetico. L’analisi della concorrenza ha permesso di tracciare il profilo tecnico dei prodotti presenti nel mercato dei sistemi di energy management industriale, consentendo la definizione delle caratteristiche competitive del prodotto sviluppato. La seconda fase del progetto ha riguardato la progettazione dell’architettura del prodotto. La scelta, motivata da esigenze di flessibilità, è ricaduta su una architettura di tipo modulare, caratterizzata da un analizzatore di rete elettrica e un modulo convertire Ethernet/WiFi collegati tramite una porta RS 485 secondo protocollo di comunicazione Modbus. Tra le caratteristiche del sistema, oltre all’ottimizzazione dell’utilizzo dell’energia, è stata implementata anche la funzionalità di manutenzione predittiva: la progettazione degli algoritmi alla base di queste funzionalità è stata oggetto della terza fase del progetto. L’ottimizzazione dei costi dell’energia è stata implementata tramite un algoritmo di scheduling euristico, che consente di spostare i jobs più energivori in fasce orarie caratterizzate da un costo dell’energia inferiore. L’ottimizzazione degli sprechi energetici, invece, è stata raggiunta tramite un modello di ottimizzazione a discesa di gradiente che minimizza la differenza tra il valore medio effettivo di una grandezza elettrica generata da un piano di produzione e il suo valore target variando lo scheduling dei jobs. La manutenzione predittiva si basa, invece, su algoritmi di machine learning. Sono stati sviluppati due modelli: il primo modello consente di determinare il time before failure quando un evento manutentivo è già avvenuto, il secondo, invece, consente di determinare gli stati macchina anomali. Entrambi i modelli si basano su algoritmi di apprendimento supervisionato di classificazione, ossia: alberi decisionali per la determinazione di stati macchina anomali, k-nearest neighbour e support-vector Machine per la determinazione del time before failure. Infine il progetto si è concluso con l’analisi delle performance relative ai modelli di machine learning.
