La manutenzione predittiva nel settore delle macchine industriali è una strategia cruciale per garantire l'affidabilità e l'efficienza degli impianti. I suoi obiettivi primari includono la riduzione delle interruzioni operative e dei costi associati a guasti imprevisti. Monitorando costantemente le condizioni delle macchine attraverso sensori e tecnologie avanzate, è possibile identificare tempestivamente eventuali segni di malfunzionamenti o usura, consentendo interventi mirati e programmati per prevenire guasti gravi e costosi. Ciò contribuisce a prolungare la vita utile delle macchine e a ottimizzare l'utilizzo delle risorse umane e materiali.

Monitoraggio Intelligente

Il sistema WARNN, sviluppato da Alma Automotive, consente di tenere sotto controllo i valori chiave del funzionamento della macchina.

• Vibrazione
• Temperatura
• Qualità dei liquidi lubrificanti
• Punti di lavoro
• Dati forniti dalla macchina

Anticipare i Problemi

Grazie all’utilizzo dell’intelligenza artificiale, WARNN costruisce un gemello digitale della macchina osservata e confronta tutti i dati acquisiti con i corrispettivi valori di riferimento in caso di funzionamento ottimale.

Grazie a questo processo è possibile anticipare i guasti e capire quando la macchina sta deviano dal suo funzionamento standard, attivando tutta una serie di allarmi che consentano la sua manutenzione.

• Riduzione dei costi
• Contenimento dei danni
• Riduzione del rischio
• Fermo macchina organizzato

La manutenzione predittiva migliora notevolmente la sicurezza sul luogo di lavoro, poiché riduce il rischio di guasti improvvisi e incidenti. Questo approccio favorisce una produzione continua e di alta qualità, garantendo la massima efficienza operativa. L'implementazione di tecnologie avanzate come l'IoT e l'analisi dei dati consente di raccogliere informazioni dettagliate sulle prestazioni delle macchine, identificando tendenze significative e fornendo informazioni preziose per decisioni future.

I vantaggi competitivi per le aziende sono notevoli, poiché la manutenzione predittiva promuove una produzione sostenibile con minori impatti ambientali e costi di manutenzione ottimizzati. Questo approccio migliora la reputazione dell'azienda, attira nuovi clienti e stimola la crescita del settore attraverso una costante ricerca di innovazione tecnologica per ottimizzare la gestione degli impianti industriali.

La transizione ai powertrain elettrici porta con sé nuove sfide nel prevedere quando potrebbe verificarsi un problema e nel mantenere il propulsore in salute. Mentre i metodi di diagnosi tradizionali hanno i loro meriti, spesso offrono solo una limitata possibilità di affrontare l'evoluzione dinamica delle potenziali condizioni pericolose nei powertrain elettrici, dove l'interazione di numerosi componenti elettronici e sistemi complessi richiede un approccio più sofisticato al monitoraggio e alla diagnosi.

target del sistema

ESACO (Electric powertrain System Anomaly detector and Conditions Observer) è stato sviluppato in risposta all'urgente necessità di migliorare la sicurezza, l'affidabilità e le prestazioni dei powertrain elettrici. Con l'aumentare della diffusione dei veicoli elettrici (EV) nel panorama automobilistico, garantire la loro sicurezza e affidabilità è fondamentale.

Il campo di applicazione di ESACO va oltre il semplice miglioramento dei singoli propulsori elettrici; il suo obiettivo è ottimizzarne l'utilizzo e l'integrazione nel panorama dei trasporti. Utilizzando tecnologie diagnostiche e predittive avanzate, ESACO punta a migliorare l'affidabilità e le prestazioni dei veicoli elettrici, facilitando così la loro adozione più ampia. Questo contribuisce a mitigare l'impatto ambientale riducendo le emissioni e promuovendo soluzioni di trasporto sostenibili.

intelligenza artificiale

La disponibilità di dati completi sui powertrain dei veicoli elettrici, insieme alla capacità di gestirli efficacemente, consente l'utilizzo di algoritmi addestrati basati sull'intelligenza artificiale. Questa integrazione rappresenta un approccio potente e innovativo per il monitoraggio in tempo reale della salute del powertrain, consentendo la rilevazione precoce di anomalie e potenziali problemi.

Sfruttando tecniche avanzate di intelligenza artificiale, come il machine learning e l'analisi predittiva, questi algoritmi possono analizzare vaste quantità di dati per identificare modelli e tendenze indicative di problemi in via di sviluppo. Questo approccio proattivo non solo migliora l'affidabilità e le prestazioni dei veicoli elettrici, ma contribuisce anche a ridurre i tempi di inattività e i costi di manutenzione, ottimizzando così l'efficienza complessiva e l'utilizzo dei propulsori elettrici in varie applicazioni di mobilità.

Case Studies

li-Ion cell Thermal runaway

• Variazione anomala della temperatura massima delle celle a partire da 500 secondi.
• Il punteggio di anomalia aumenta anche se il valore della temperatura delle celle è solo 5°C al di sopra di quella nominale.

anomalia di temperatura di una cella batteria

• Freezing di 5 secondi della temperatura massima della cella della batteria durante la richiesta di corrente continua.
• Il punteggio di anomalia durante il congelamento si sposta su valori elevati.

anomalia di temperatura dello statore Stator

• Temperatura dello statore del motore elettrico con oscillazione improvvisa da 440 secondi a 445 secondi.
• Fortissima non correlazione tra temperatura dello statore e i punti di funzionamento.
• Rilevamento immediato dell'anomalia.

Le condizioni della batteria e il risparmio energetico sono fattori essenziali per i sistemi di propulsione dei veicoli elettrici. Una batteria soggetta a guasti improvvisi può causare gravi problemi, tra cui il crollo delle prestazioni nel corso del tempo, la necessità di riparazioni costose e la relativa perdita di tempo. Per scongiurare quest'eventualità, Alma Automotive ha sviluppato algoritmi basati sull'intelligenza artificiale (AI) per monitorare lo stato di salute e le condizioni operative della batteria in tempo reale. Questi algoritmi possono attivare allarmi in caso di problemi e perfino prevedere i guasti prima che accadano.

Il nostro algoritmo di previsione delle prestazioni e dello stato della batteria è stato sviluppato per aumentare la potenza e l'energia utilizzabile. Grazie alla stima avanzata dello stato di salute e alle affidabili logiche di sicurezza, questo strumento basato sull'AI è in grado di potenziare i sistemi di gestione dell'energia per la mobilità elettrica.

Gli algoritmi AI hanno bisogno di un'enorme quantità di dati per addestrare i modelli. L'acquisizione e la gestione dei dati per le applicazioni che sfruttano l'intelligenza artificiale è quindi un aspetto chiave nello sviluppo dei modelli. Per questo, come abbiamo spiegato di recente, l'impegno del nostro team di R&S si è concentrato in primis sull'implementazione di modelli precisi e affidabili. Abbiamo scelto di usare i risultati della simulazione come fonte di dati per addestrare il modello AI in modo più rapido ed efficace.

Riportiamo di seguito un esempio di applicazione del nostro algoritmo delle prestazioni della batteria. In questo esperimento è stata innescata una variazione della resistenza interna della batteria. L'algoritmo analizza i segnali di ingresso durante un intervallo di tempo definito, al termine del quale è in grado di stimare un indice di allarme complessivo sulle condizioni di salute e operative della batteria.

Anche se i valori elettrici e termici rientrano ancora nell'intervallo accettabile, il nostro algoritmo rileva le anomalie e può attivare allarmi e logiche di sicurezza all'occorrenza.

Alma Automotive fornisce sale prove elettrificate e mette al servizio dei clienti le sue competenze nello svolgimento di prove sui gruppi propulsori elettrici. I nostri tecnici sono a disposizione per supervisionare ogni prova e compilare rapporti conclusivi dettagliati, seguendo ogni fase del processo.

Abbiamo sviluppato un modello capace di simulare perfettamente la batteria a partire dalla caratterizzazione delle celle usate o previste. Il sistema riproduce il comportamento elettrico e termico del dispositivo in prova e si dimostra estremamente flessibile e preciso, dando la possibilità di gestire l'elettronica di diversi fornitori. Utilizza il bus cc comune da 600 V per controllare un emulatore di batteria da 200 kW fino a 1050 V.

Il freno dinamometrico applicato dipende dalle esigenze specifiche e può essere scelto dall'ampio catalogo di Borghi & Saveri o acquistato dai nostri fornitori selezionati.

Si possono svolgere varie prove per la caratterizzazione del gruppo propulsore elettrico, tra cui:

• verifica delle prestazioni del motore elettrico in punti di funzionamento specifici e in modalità di rigenerazione/freno
• controllo elettrico e della back-EMF del motore (prima e dopo la prova)
• caratterizzazione delle prestazioni del motore elettrico in diverse modalità operative (rotore bloccato, rigenerazione, coppia max)
• prove di resistenza, ciclo di lavoro e velocità
• calibrazione completa dell'inverter

Ogni sala prove è dotata di un sistema di acquisizione basato sulla piattaforma di National Instruments, che include sensori di temperatura, pressione e accelerometri. Il sistema di gestione delle prove può controllare in modalità locale o remota ogni componente della sala prove, come la ventilazione, l'alimentazione o i sistemi di sicurezza, ed è in grado di digitalizzare qualsiasi tipo di trasduttore.

Il nostro sistema di gestione termica personalizzato, invece, può simulare e riprodurre la gestione termica del motore elettrico e dell'inverter, e ci consente di eseguire prove su entrambi controllando la temperatura del refrigerante in tempo reale, emulando il profilo di temperatura che si avrebbe nel ciclo di guida o testando i componenti a una temperatura stabilita.

Il sistema installato nella sala prove permette anche la caratterizzazione meccanica del motore, misurando:

• coppia e coppia di cogging
• velocità
• vibrazioni
• temperature
• portate e pressioni (impianto di raffreddamento ad acqua/glicole)

È possibile condurre prove di trascinamento per misurare le perdite meccaniche e caratterizzare elettricamente il dispositivo in prova mediante analizzatori di potenza di precisione.

• Misurazioni precise dell'efficienza
• Misurazione della tensione e della corrente alternata/continua
• Resistenza di avvolgimento del motore

Infine, forniamo uno strumento di manutenzione predittiva che rileva qualsiasi deviazione dalle condizioni ideali del dispositivo testato durante il funzionamento.
Basandosi sull'intelligenza artificiale, usa i dati raccolti per stimare i livelli attesi degli indicatori (modello di impianto) e confrontarli con i loro valori effettivi. Questo metodo può essere utile anche per calcolare la vita utile residua o gli intervalli di manutenzione ottimali.