Innovare oltre al mio lavoro attuale

​

Oltre al mio lavoro principale nel campo del software embedded, nel tempo libero (purtroppo o per fortuna poco)mi dedico allo sviluppo di nuovi progetti e all'esplorazione di diverse opportunità di business. Questo mi aiuta a mantenere una mente flessibile e aperta, sempre pronta ad adattarsi ai cambiamenti e alle nuove sfide. Uno dei più recenti progetti riguarda l'analisi e la manutenzione predittiva, una tematica chiave nel mondo dell'IoT e dell'industria 4.0.

​

Sistema di monitoraggio predittivo con Edge Computing

Per approfondire le tecnologie di analytics e manutenzione predittiva, sto sviluppando  un sistema di monitoraggio predittivo basato su una rete di Edge Computers, utilizzando due Raspberry Pi 5. L'obiettivo è simulare e ottimizzare il monitoraggio di parametri operativi chiave, esplorando soluzioni moderne per l'acquisizione e l'analisi dei dati.​

​

Configurazione della Rete Edge
La rete è composta da due nodi con ruoli specifici per garantire efficienza:

• Sensor-Hub: Il primo raspberry simula la temperatura della testata di un motore endotermico, utilizzando un modello non lineare semplificato in Python creato con chatGPT. Il raspberry è Configurato con 8GB di RAM e un SSD da 256GB, invia i dati simulati al nodo centrale per l'analisi.

• Edge-Hub: é il raspberry dedicato all'analisi, questo Raspberry Pi 5 dispone di 8GB di RAM e una TPU Hailo 8L per l'inferenza. Utilizza InfluxDB per l'archiviazione dei dati temporali e Grafana per la visualizzazione, consentendo un monitoraggio visivo immediato.

​​

Analisi IoT con Grafana e InfluxDB

L'Edge-Hub raccoglie i dati in InfluxDB, un database ottimizzato per le serie temporali, perfetto per l'acquisizione dei dati IoT. Sensor-Hub trasmette i dati ogni secondo tramite ModbusTCP su WiFi, mentre Telegraf li processa e li archivia in diverse serie con retention differenti (da un giorno a un anno). Grafana permette di visualizzare in tempo reale le variabili monitorate, come la temperatura del motore, e configurare allarmi per anomalie operative.​

Tutti i processi, come InfluxDB, Grafana e Telegraf, sono stati implementati su container Docker. Questo approccio offre diversi vantaggi, tra cui una maggiore portabilità e scalabilità del sistema, una gestione semplificata delle dipendenze e un miglior isolamento dei servizi. L'utilizzo di container Docker rende il sistema più flessibile e facile da distribuire su diverse piattaforme, garantendo anche una

manutenzione più semplice.

​

Manutenzione Predittiva con LSTM

Uno degli obiettivi più ambiziosi di questo progetto è implementare un sistema di manutenzione predittiva, utilizzando un algoritmo LSTM (Long Short-Term Memory). Le reti LSTM, essendo particolarmente efficaci nell'analisi di serie temporali, consentono di identificare pattern nei dati di temperatura e di prevedere potenziali guasti prima che si verifichino.

Approccio al progetto di manutenzione predittiva:

• Identificazione dei pattern: L'LSTM può riconoscere segnali precoci di degrado o malfunzionamenti.

• Previsione delle anomalie: Una volta addestrato, l'algoritmo può prevedere anomalie, riducendo i tempi di inattività e i costi di riparazione.

• Ottimizzazione della manutenzione: Interventi manutentivi solo quando necessario, migliorando efficienza e riducendo i costi.

Tuttavia, uno dei limiti del mio progetto è che il modello di motore endotermico è ancora troppo semplificato e non prevede anomalie realistiche. Per questo, ho deciso di esplorare altri dataset disponibili pubblicamente.

​

Kaggle e nuove frontiere

Per migliorare l'accuratezza della manutenzione predittiva, mi sono rivolto a Kaggle.com, dove ho trovato un dataset e un algoritmo LSTM per la rilevazione di guasti nei motori a reazione degli aerei. Ho iniziato a sperimentare su Google Colab, ma per addestramenti più complessi, potrebbe essere necessaria una soluzione più potente come Amazon EC2. Al momento sono ancora in questa fase di sperimentazione e continuo a esplorare nuove possibilità. Sarebbe interessante trovare  dataset di sistemi reali (e non trovati online) per addestrare il modello, implementare l'inferenza su Hailo 8L e testarla nella realtà.

So che potrebbe sembrare tempo perso, dato che sul mercato esistono società con team di data analyst che potrebbero fornire soluzioni in tempi rapidi. Tuttavia, il mio vero obiettivo è rimanere aggiornato e sperimentare in campi trasversali. Questo approccio mi consente di crescere professionalmente, trovare nuove soluzioni e affrontare il futuro con curiosità e determinazione.

​

Utilizzo di GitLab in ottica DevSecOps

Per garantire la sicurezza e la tracciabilità del codice durante lo sviluppo del progetto, ho utilizzato GitLab per gestire il repository. L'integrazione di GitLab mi ha permesso di seguire un approccio DevSecOps, (Developement, Security, Operations)assicurandomi che ogni modifica al codice fosse sottoposta a verifica continua, migliorando la qualità del progetto e minimizzando i rischi di vulnerabilità.