Analisi delle batterie e manutenzione predittiva

L’analisi dei dati è la chiave per l’ottimizzazione dell’utilizzo delle batterie. Per una flotta industriale, l’efficienza di tali dispositivi è cruciale al rendimento dell’intera attività. Kiwitron si è chiesta come ovviare al problema di un monitoraggio efficace delle anomalie di comportamento delle batterie. Abbiamo chiesto al dipartimento Data Science dell’azienda di spiegarci il progetto in corso su analisi delle batterie e manutenzione predittiva attraverso. Di seguito l'intervista.

Analisi delle batterie: sappiamo che si tratta di uno dei progetti più importanti del momento. Potresti descriverlo nelle sue generalità?

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: comporta lo sviluppo di nuove funzionalità del nostro portale di lettura dei dati  Kiwisat  per il cliente finale.

Prima dell’implementazione del progetto, i dati raccolti dall’ ETS  sulle batterie venivano mostrati senza ulteriori indicazioni.
Con l’algoritmo del nostro team di Data Science, possiamo categorizzare i dati e ottenere molte più informazioni, che raccogliamo entro modelli di anomaly detection. Con anomaly detection 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 dei segnali di avviso per gli operatori e sul gestionale.

Leggi anche:  Il nuovo sistema di monitoraggio della batteria elettrica di Kiwitron

I tipi di anomalie rilevabili dalle soluzioni Kiwitron

Quali sono i tipi di anomalie che possiamo rilevare?

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 anomali. 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.

Manutenzione predittiva: l’analisi dei dati è uno strumento imprescindibile per poter programmare interventi ad hoc prima dell’insorgere dei problemi. Anche grazie al progetto Kiwitron di anomaly detection sulle batterie, ci stiamo avvicinando al traguardo di una manutenzione sempre più mirata.

Certamente, il rilevamento di anomalie nell’uso e nel comportamento delle batterie è un passo fondamentale nella direzione della manutenzione predittiva, e 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.

Immagini