Sistema di telemonitoraggio e diagnostica predittiva per il trasporto su gomma di merci pericolose: acquisizione dati da CAN bus

INTRODUZIONE 
 12
aggiungendo la definizione a livello di progetto della sezione di diagnostica, e di un 
sistema di acquisizione dati dalla rete CAN del veicolo, in modo da ottenere un 
sistema remoto di monitoraggio e diagnostica a basso costo, che porti sul campo le 
procedure di valutazione della sicurezza del trasporto previste dalla normativa 
corrente. In particolare, oltre al telerilevamento basato su GPS della posizione e della 
rotta degli automezzi, il sistema proposto intende misurare da remoto parametri 
dinamici necessari alla valutazione della sicurezza del trasporto, nonché 
diagnosticare precocemente posizione ed entità del malfunzionamento, sia a 
livello fisico dell’automezzo sia a livello delle procedure intrinseche di sicurezza. 
L’idea principale, sfruttata per far fronte a queste esigenze, consiste essenzialmente 
nell’utilizzare oltre al microcontrollore Rabbit accessibile via internet e 
programmabile in Dynamic C, un’interfaccia CAN-RS232 per poter leggere i dati 
provenienti dal CAN-bus secondo lo standard FMS. Per la verifica sperimentale del 
sistema proposto è stato utilizzato il software per la simulazione del server della 
centrale, il software per la realizzazione della connessione GPRS (entrambi 
opportunamente modificati rispetto al lavoro precedente).
PARTE PRIMA: LO STATO DELL’ARTE 
            
 
 
 13
PARTE PRIMA –  
STATO DELL’ARTE 
 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 14
TECNOLOGIE PER 
L’APPLICAZIONE 
 
 
 
1.1 La Diagnostica Predittiva 
 
1.1.1 Categorie di Manutenzione 
 
Le tecniche che si possono applicare alla manutenzione di macchinari sono 
molteplici, tuttavia è possibile riassumerle in tre categorie: 
y Ad evento  
y Preventiva 
y Predittiva 
La manutenzione "ad evento" interviene in seguito alla segnalazione di un 
malfunzionamento del macchinario o ad un evento ben più grave col conseguente 
arresto dello stesso. Tale manutenzione spesso comporta dei costi molto elevati, sia 
per mancata produzione che per la riparazione del macchinario stesso: classico è 
l'esempio del cuscinetto che per effetto del suo bloccaggio danneggia anche albero e 
supporti trasformando un intervento di minore entità in un intervento impegnativo in 
termini di costi e di tempi. 
La manutenzione "preventiva" o "calendariale" individua i componenti critici di un 
macchinario e secondo uno scadenzario si provvede a sostituire parti o componenti 
indipendentemente dalle loro condizioni. Questo tipo di manutenzione interviene su 
dei componenti che sono ancora ben lontani dalla fine della loro vita operativa: non 
vi è di solito un aggravio dei costi della manutenzione ma parte di questi soldi 
potrebbero essere risparmiati. 
Nel seguente paragrafo è definita invece la manutenzione predittiva. 
CAPITOLO 
 
1
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 15
 
1.1.2 Manutenzione Predittiva 
 
Per “manutenzione predittiva” si intende una strategia di manutenzione innovativa 
che, avvalendosi di tecniche di monitoraggio avanzate, acquisisce tutte le 
informazioni possibili sullo stato di salute delle macchine e dei processi al fine di 
individuare sul nascere i difetti, seguirne la loro evoluzione nel tempo e 
programmare con congruo anticipo e flessibilità le necessarie azioni correttive da 
effettuarsi solo quando strettamente necessarie in base alla valutazione di vita residua 
dei componenti delle macchine. La manutenzione "predittiva" infatti permette di 
riconoscere con relativo anticipo i componenti che iniziano a degradarsi o l'insorgere 
di malfunzionamenti permettendo di pianificare gli interventi compatibilmente con la 
produzione e dando tempo di approvvigionarsi di quanto necessario (AVSB, 2004). 
Il manutentore può monitorare a distanza, in tempo reale, i parametri del motore, del 
cambio, delle sospensioni e dell'elettronica di bordo al fine controllarne l'efficienza. 
Può altresì accedere alla memoria del sistema, consultando anomalie e dati acquisiti, 
in modo da pianificare il fermo del veicolo per gli interventi di manutenzione. 
L'obiettivo di questa funzione è quella di ridurre i costi di esercizio, tenendo sotto 
controllo costante i parametri che sono indici di malfunzionamenti o deterioramenti, 
in modo da evitare i guasti in esercizio o un utilizzo prolungato del veicolo in 
condizioni non ottimali e di pianificare la manutenzione in funzione 
dell'affaticamento reale del veicolo, evitando interventi inutili. 
 Uno dei limiti tecnologici riguardanti la possibilità di garantire con continuità la 
qualità del servizio di monitoraggio e telecontrollo dipende soprattutto dalla 
possibilità di rilevare in tempo reale, o meglio con anticipo, gli eventi di allarme, i 
trend di funzionamento ed i sintomi che spesso precedono il manifestarsi di eventi 
critici di processo e/o di esercizio. A tale scopo, è opportuno focalizzare le 
metodologie di indagine più appropriate, sia rispetto alla effettiva realtà impiantistica 
e di processo esistente, sia rispetto alla possibilità di prevenire possibili disfunzioni 
di processo. Possono essere prese in considerazione metodologie di indagine on-line 
come l’applicazione di sistemi di controllo "basati sulla conoscenza", integrati alla 
tradizionale sensoristica di processo. 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 16
Ciò premesso, in generale un sistema di telecontrollo davvero efficace, deve sempre 
avere la caratteristica di sfruttare in pieno il contenuto informativo residente nei dati 
acquisiti dai pochi sensori on-line che oggi è possibile reperire a costi accettabili sul 
mercato (ANOVA, 2004). 
 
1.2 Tecniche per la Diagnostica 
 
1.2.1 Generalità 
 
In tutti i sistemi possono sopraggiungere malfunzionamenti di varia natura, nei 
sensori, negli attuatori, nei controllori, nel software e nelle stesse strutture portanti.  
Di solito, i malfunzionamenti più comuni sono dovuti a: 
1. Malfunzionamento di componenti fisici dovuto a danneggiamento fisico; 
2. Mancanza di energia, dovuto ad esempio ad interruzione di alimentazione per 
rottura di impianti elettrici; 
3. Disturbi ambientali ed interferenze esterne; 
4. Errore umano dovuto ad inesperienza o sbadataggine dell’operatore; 
5. Errori di manutenzione dovuti a cattive riparazioni; 
6. Malfunzionamento del sistema di controllo. 
In letteratura si trovano spesso i termini fault e failure per identificare: 
 ξ  fault (malfunzionamento): il sistema in esame opera in modo continuo 
o intermittente in una situazione non corretta di funzionamento; 
 ξ  failure (rottura): il sistema risulta completamente non funzionante. 
E’ ovvio che una condizione di malfunzionamento non determina istantaneamente 
una situazione di rottura, ma il sistema può rimanere per un certo tempo funzionante, 
benché non in modo ottimale, prima dell’eventuale rottura. Si rende quindi 
necessario identificare, tramite monitoraggio costante, il sopraggiungere del 
malfunzionamento per evitare la rottura intervenendo tempestivamente. 
Un sistema di monitoraggio per la diagnostica deve quindi possedere le seguenti 
caratteristiche: 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 17
 ξ  deve identificare ed isolare il malfunzionamento (fault detection and 
isolation); 
 ξ  deve effettuare la diagnosi della causa, dell’effetto e della gravità del 
malfunzionamento; 
 ξ  riconfigurazione o ristrutturazione del controllo del sistema per 
ovviare alla situazione di malfunzionamento prima della rottura, se 
possibile, o spegnimento del sistema. 
Inoltre, il sistema di monitoraggio deve soddisfare alcune regole di carattere 
generale: 
1. Per quanto possibile, devono essere identificati solo veri malfunzionamenti 
filtrando i falsi allarmi; 
2. Il ritardo tra l’apparizione del malfunzionamento e la sua identificazione deve 
essere minimo; 
3. L’accuratezza dei parametri del malfunzionamento (luogo, dimensione, etc.) deve 
essere elevata; 
4. Il metodo impiegato deve essere robusto rispetto alle inaccuratezze del modello, 
se si usa un modello matematico, così come rispetto agli errori di semplificazione 
dovuti a linearizzazione o a variabili non modellate (frizione, usura, rumore, 
variazione di carico, etc.) 
Un tipico sistema automatico di diagnostica utilizza le relazioni, note, tra ingresso ed 
uscita di un sistema, tramite un modello matematico del sistema da controllare.  
I filtri per l’individuazione degli errori fanno parte di una classe più ampia di metodi 
di diagnostica basati su modello, i quali utilizzano la ridondanza analitica in un 
sistema dinamico per paragonare le misure effettuate con quelle predette da un 
modello analitico. Il sistema, quindi, anticipa l’uscita, dato l’ingresso. Ogni 
malfunzionamento nel sistema genererà una discrepanza tra l’uscita corrente del 
sistema e quella predetta. Tale differenza costituisce la base del metodo di FDI (Fault 
Detection and Isolation). 
Un sistema di monitoraggio dei malfunzionamenti, incorporato in un processo 
industriale, permette di migliorare: 
1. L’abilità di completare un task in modo soddisfacente ed in un periodo di tempo 
accettabile; 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 18
2. La manutenzione dell’impianto; 
3. La sicurezza dell’impianto senza danno per le persone anche se il task non è 
completato. 
 
1.2.2 Architetture multi-agente 
 
Un agente è un sistema hardware/software capace di prendere automaticamente delle 
decisioni autonome per raggiungere gli obiettivi che gli sono stati impartiti. 
Trattandosi di un sistema di automazione industriale, la definizione di “decisione 
autonoma” è delicata: in tal caso, si intende una decisione presa senza l’intervento 
diretto degli esseri umani (o di altri agenti). 
In diagnostica, un agente ha il compito di identificare particolari condizioni di 
malfunzionamento e di informare il livello gerarchico superiore dell’insorgere di tali 
condizioni. Si delinea in questo modo una struttura gerarchica multi-livello. 
Gli agenti hanno varie forme e vari comportamenti. In genere, essi vengono 
catalogati in base al grado di intelligenza dei loro algoritmi, da semplici regole scritte 
dall’utente a tecniche più complesse di Intelligenza Artificiale. Le tre categorie più 
utilizzate per catalogare gli agenti sono:  
1 – Agenti basati su alcune regole; 
 2 – Agenti Adattativi; 
 3 – Agenti Intelligenti. 
Gli agenti hanno varie utilità: assistenti, guide, filtri, memorie, intrattenimento, 
decisionali etc. In generale essi sono dotati delle funzionalità di osservazione, 
riconoscimento, planning o organizzazione, azione. In figura 1.1, a titolo di esempio, 
viene mostrata un’applicazione pratica della filosofia di diagnostica per agenti in un 
modulo di gestione di un autoveicolo (Crossman, 2003). 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 19
 
Figura 1.1  Sistema di gestione e diagnosi ad agenti, centralizzata, di un motore per 
automezzo 
 
Al Powertrain Control Module (PCM), il principale centro di controllo del sistema 
diagnostico, confluiscono i segnali dai sensori (blocchi quadrati); i blocchi circolari 
schematizzano gli attuatori che agiscono per modificare il funzionamento del sistema 
in base alle direttive del PCM. Il sistema ad agenti è implementato all’interno del 
blocco PCM, come nella figura 1.2. 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 20
 
Figura 1.2 Esempio di sistema ad agenti interno al modulo PCM 
 
Da questo esempio, si può notare che la struttura hardware/software di tipo 
decisionale si regge:  
1. sulla capacità dei singoli agenti di primo livello di ragionare in modo 
intelligente;  
2. sull’affidabilità dei dati misurati e trasmessi dai sensori; 
3. sulla fiducia che il “Device Agent” deve riporre nelle segnalazioni 
provenienti dai propri agenti; 
4. sulla capacità del “Device Agent” di prendere decisioni intelligenti;  
5. sulla capacità di attuare le azioni necessarie per mettere in pratica tali 
decisioni. 
 
Gli agenti possono essere del tipo segnale-singolo (un solo segnale d’ingresso) o 
multi-segnale. A volte l’impiego di agenti multi-segnale è molto importante nel 
riconoscimento dei malfunzionamenti. Infatti, può capitare che il segmento di 
segnale analizzato risponda correttamente allo standard previsto del funzionamento 
corretto, ma, congiuntamente con il confronto degli altri segmenti degli altri segnali, 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 21
il segmento in esame risulti fuori norma. Nella definizione dei segnali affluenti agli 
agenti conviene esplicitare:  
1. il tipo di segnale (analogico o digitale); 
2. segnale di input o output; 
3. il suo range normale di operatività; 
4. il segnale utilizzato per la segmentazione degli altri segnali (priorità 
d’importanza dei segnali); 
5. i segnali che sono influenzati dalle variazioni del segnale in esame. 
 
1.2.3 Tecniche di elaborazione numerica del segnale 
 
1.2.3.1 Trasformate Wavelet  
 
Negli ultimi anni, le trasformate wavelet hanno di fatto sostituito l’analisi basata su 
FFT
1
 che fino agli anni 90 è stato uno standard nell’analisi di segnale. L’analisi 
wavelet è già stata utilizzata con successo in numerosissimi progetti in vari settori 
quali ad esempio, pattern recognition, compressione di immagini e in generale, 
riconoscimento dei segnali. L’analisi wavelet può essere vista, in prima 
approssimazione, come una tecnica di finestratura numerica con regioni a 
dimensione variabile: essa permette l’uso di intervalli temporali ampi dove si 
vogliono informazioni a bassa frequenza più precise, e intervalli più brevi dove si 
vogliono informazioni ad alta frequenza. Inoltre, essa impiega forme d’onda di 
durata limitata aventi valore medio nullo (wavelet). Se le wavelets vengono 
comparate con le sinusoidi, che sono alla base dell’analisi di Fourier, queste ultime 
non hanno durata limitata, ma si estendono da - ∞ a + ∞, e sono graduali e 
predicibili, mentre le wavelets sono irregolari e asimmetriche. Come l’analisi di 
Fourier divide il segnale in una somma di sinusoidi a varie frequenze, così l’analisi 
wavelet divide il segnale in una somma di versioni scalate e shiftate della wavelet 
originaria (o madre) (vedi figura 1.3). 
 
                                                 
1
 Fast Fourier Trasform: trasformata di Fourier veloce 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 22
 
Figura 1.3 Risultato della trasformata wavelet di un segnale 
 
Una trasformata discreta wavelet ha generalmente la forma matematica seguente: 
dove:  
 ξ  s(n) è il segnale in esame; 
 ξ  a è chiamato fattore di scala; 
 ξ  b è il fattore di spostamento o shift; 
 ξ  C(a,b) sono coefficienti dipendenti da a e b; 
 ξ  g(n) è il filtro wavelet del tipo Harr, Daubechies, etc (detto madre). 
 
1.2.4 Tecniche di Intelligenza Artificiale 
 
1.2.4.1 Classificatori Bayesiani 
Il ragionamento bayesiano si basa sull'idea che i dati d'interesse sono governati da 
distribuzioni probabilistiche e che decisioni ottime possono essere prese ragionando 
sulle probabilità e le osservazioni (Mitchell, 1997). 
L' apprendimento Bayesiano si basa su questa stessa intuizione: si fa il 
condizionamento sui dati appresi e si deriva la probabilità a posteriori usando il 
teorema di Bayes: 
    
       
   DatiP
ModelloPModelloDatiP
DatiModelloP
|
|  
 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 23
Dove P(Dati|Modello) e' la probabilità che il modello ovvero l'ipotesi o spiegazione 
scelta, avrebbe prodotto quei dati. Dunque abbiamo una relazione 
induzione/predizione: il grado di confidenza
2
 che l'apprendista ha nel modello (o 
ipotesi) è proporzionale al prodotto dei suoi belief iniziali nel modello e alla 
probabilità condizionata di osservare i dati, dato il modello. In particolare 
P(Modello) è il BIAS dell'apprendista e P(Dati) è una costante di normalizzazione 
così che la somma finale delle probabilità sia 1. Nello stesso modo il teorema di 
Bayes può essere visto con ipotesi e dati: 
    
      
    DP
hPhDP
DhP
|
|  
 
 ξ  P(h) = probabilità a priori di h 
 ξ  P(D) = probabilità a priori dei dati di addestramento D 
 ξ  P(h|D) = probabilità di una ipotesi h quando i dati di addestramento sono D, è la 
probabilità a posteriori di h, perché riflette la nostra confidenza che h vale dopo 
che abbiamo visto i dati di addestramento. 
 ξ  P(D|h) = la probabilità di osservare D in un mondo che soddisfa h. 
Se abbiamo più di una ipotesi, consistente con i dati di apprendimento, quale 
dobbiamo scegliere? Altri metodi o tipi di apprendimento scelgono l’ipotesi più 
generale o quella che ha minore entropia (o maggiore contenuto informativo), in 
particolare le reti neurali scelgono quella che minimizza l'errore (il quadrato della 
differenza), nell'apprendimento Bayesiano ci sono due risposte (due tipi di scelte): 
1. ML maximum likelihood. Sceglie l'ipotesi P(D|h), che più verosimilmente 
spiega le osservazioni (anche dette gli ESEMPI). 
2. MAP maximum a posteriori. Sceglie l'ipotesi che ha la più alta probabilità 
finale P(h|D), formata dai dati di addestramento. 
Dati i dati di addestramento qual’è l'ipotesi più probabile? Cioè qual’è la 
classificazione più probabile di una nuova osservazione, dati i dati? Data una nuova 
istanza x qual’è la classificazione più probabile? 
Consideriamo l'esempio: 
Abbiamo uno spazio delle ipotesi costituito da tre ipotesi h
1
, h
2
 e h
3
 e le seguenti 
probabilità a posteriori: 
                                                 
2
 Detto anche di belief 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 24
P(h
1
|D) = .4;  P(h
2
|D) = .3;  P(h
3
|D) = .3 
Sia x una nuova istanza, h
1
(x) = +;  h
2
(x) = −;  h
3
(x) = − 
Qual’è la classificazione più probabile per x? 
La classificazione più probabile è ottenuta combinando le predizioni di tutte le 
ipotesi (come l'ipotesi classificherà il nuovo dato) pesate con la loro probabilità a 
posteriori. 
Classificazione Bayesiana: 
 
Esempio: 
 
quindi 
 
e 
 
 
1.2.4.2 Algoritmi Genetici 
 
Molti problemi computazionali riguardano la ricerca di una soluzione tra un numero 
tanto elevato  di possibili alternative (spesso non tutte determinabili a priori) che non 
è proponibile l'idea di valutarle una per una. Alcuni ricercatori hanno osservato che 
l'evoluzione biologica può essere un'ottima fonte d'ispirazione per chi si propone di 
risolvere questo genere di problemi. L'evoluzione, infatti, può essere vista come un 
metodo di ricerca in un insieme di innumerevoli soluzioni possibili: le soluzioni 
candidate sono tutte le possibili sequenze genetiche, mentre le soluzioni desiderate 
sono quelle sequenze che danno luogo ad organismi particolarmente adatti al loro 
PARTE PRIMA: LO STATO DELL’ARTE                                CAPITOLO 1 – Tecnologie per l’applicazione 
       
 
 25
ambiente, cioè organismi con una forte capacità di sopravvivere e di riprodursi.  Gli 
algoritmi di tal tipo sono stati introdotti dal gruppo di ricerca di John Holland 
dell'Università del Michigan (Holland, 1975). Ma cos'è, dunque, un algoritmo 
cosiddetto genetico (GA)? Non esiste una definizione rigorosa, accettata da tutta la 
comunità scientifica, tuttavia possiamo dire che un GA è un algoritmo che genera la 
soluzione di un problema facendo evolvere (in senso genetico) un insieme di 
soluzioni candidate scelte casualmente. 
La prima cosa da fare per implementare un GA è quella di trovare una codifica in 
grado di rappresentare tutte le possibili soluzioni sotto forma di una stringa di bit o di 
simboli con cardinalità maggiore di 2. Ciascuna stringa viene chiamata cromosoma 
ed è rappresentativa di un "individuo" (dotato, appunto, di un solo cromosoma). Due 
individui possono accoppiarsi per creare dei discendenti il cui cromosoma deriva da 
un incrocio dei cromosomi dei genitori (figura 1.7). 
Sono stati proposti diversi tipi di incrocio, ma il più comune è quello a punto 
singolo: i cromosomi dei due genitori vengono spezzati entrambi in uno stesso punto, 
scelto a caso, poi il primo pezzo del primo cromosoma viene collegato al secondo 
pezzo del secondo, lo stesso viene fatto con i due pezzi rimanenti. Si ottengono così 
due nuovi individui, entrambi in possesso di una parte del cromosoma di ciascun 
genitore (figura 1.4).  
  
Figura 1.4 Esempio di crossover ad un punto