L'Architettura di SWP

Flessibile, Scalabile e "AI-Ready"

Contesto

L’architettura della Smart Work Platform è stata progettata per essere intrinsecamente modulare e basata su standard aperti, in linea con gli obiettivi di sostenibilità del bando ECOSISTER. Abbiamo scelto uno stack tecnologico interamente open-source per garantire massima flessibilità, assenza di costi di licenza e totale interoperabilità, anche con macchinari datati.

Il sistema è un ecosistema di componenti specializzati che comunicano in modo asincrono, garantendo performance e affidabilità. L’interazione tra i componenti è illustrata nei nostri diagrammi architetturali, basati sul modello C4.

Containers

I pilastri del nostro stack tecnologico sono:

  • OpenHAB: È il cuore della piattaforma, un potente sistema di integrazione che crea una “virtualizzazione” dell’impianto fisico. Grazie al suo modello semantico, astrae la complessità dell’hardware, permettendo di gestire qualsiasi dispositivo in modo uniforme.
  • MQTT (Mosquitto): È il protocollo di comunicazione leggero e affidabile che funge da “sistema nervoso” della piattaforma. Tutti i dispositivi IoT pubblicano i loro dati su un broker MQTT, che li distribuisce in tempo reale ai servizi interessati.
  • InfluxDB: È il nostro database ad alte prestazioni, ottimizzato specificamente per la gestione di dati di serie temporali (time-series). Qui vengono storicizzati tutti i dati provenienti dai sensori, pronti per essere analizzati.
  • Grafana: È lo strumento di visualizzazione leader per creare dashboard interattive e potenti. Si collega direttamente a InfluxDB per mostrare grafici, indicatori e tabelle sullo stato dell’impianto e sui consumi energetici.

Il Nostro Prototipo IoT

Il dispositivo IoT di SWP non è un prodotto commerciale standard, ma un sistema hardware prototipale progettato e realizzato internamente per garantire massima flessibilità e aderenza ai requisiti di progetto. L'architettura è modulare e si articola su tre board elettroniche specializzate, ognuna dedicata a una specifica funzione di monitoraggio.

Prototipo della GasBoard

Sistema prototipale

Ma Mini 120 in funzione con le schede prototipali.

PowerBoard

Unità di Acquisizione Elettrica:

Il nucleo del sistema, equipaggiato con sensori di corrente AC per monitorare i consumi energetici su tre fasi, un accelerometro per rilevare vibrazioni anomale e un sensore di fiamma per la sicurezza antincendio .

GasBoard

Unità Ambientale Multisensore:

Una scheda dedicata al monitoraggio completo della qualità dell’aria e del benessere dell’operatore. Integra sensori per CO2, Ossigeno (O₂), Ozono (O₃), Monossido di Carbonio (CO), Particolato (PM2.5) e Composti Organici Volatili (VOC).

MachineBoard

Estensione per Gas Specifici:

Collegata alla GasBoard, espande le capacità di rilevamento chimico con sensori dedicati per Ammoniaca (NH₃), Metano (CH₄) e Biossido di Azoto (NO₂).

Dal Dato Grezzo all'Informazione Strategica

OpenHAB: Il Cervello della Virtualizzazione

“Nel contesto SWP, il termine ‘virtualizzazione’ si riferisce alla creazione di una rappresentazione digitale e astratta dell’impianto fisico. OpenHAB è lo strumento che lo rende possibile. Attraverso il suo modello semantico, ogni dispositivo fisico (una Thing) e ogni sua singola funzione (un Channel, es. un sensore di temperatura) viene mappato in un oggetto software (un Item). Questo ci permette di gestire una lampadina, un motore o un sensore di gas con la stessa logica, indipendentemente dalla tecnologia sottostante.”

InfluxDB e Grafana: Storicizzazione e Visualizzazione

“Tutti gli stati degli Item vengono inviati in tempo reale a InfluxDB, un database ottimizzato per le serie temporali. Questo ci permette di storicizzare enormi quantità di dati in modo efficiente. Per l’analisi e il monitoraggio, usiamo Grafana per creare dashboard intuitive che trasformano i dati grezzi in grafici e indicatori di performance, essenziali per l’Energy Manager e il Responsabile della Manutenzione.

L'Intelligenza Artificiale al Servizio della Manutenzione Predittiva

L’obiettivo più innovativo del progetto SWP è potenziare la piattaforma con capacità di manutenzione predittiva. Invece di reagire a un guasto, vogliamo prevederlo analizzando i dati storici. Per farlo, abbiamo integrato moduli di Intelligenza Artificiale scritti in Python che vengono orchestrati da OpenHAB.

Caso d’Uso 1: Anomaly Detection sul Consumo di Corrente

Un consumo di corrente anomalo è spesso un indicatore precoce di stress meccanico o di un guasto imminente. Abbiamo addestrato un modello di machine learning non supervisionato, l’Isolation Forest, per analizzare i dati di assorbimento delle tre fasi AC. L’algoritmo impara il comportamento ‘normale’ del macchinario e rileva automaticamente deviazioni significative, segnalandole come anomalie.

I risultati della validazione hanno dimostrato un’accuratezza del 96% nel rilevamento delle anomalie simulate, con una latenza media di soli 28 secondi tra l’evento e la notifica, confermando l’efficacia del nostro approccio e il raggiungimento di un TRL 6 per il prototipo.