Energy and production monitoring of an industrial plant using the Thingsboard platform
Lo scopo di questa tesi è presentare il lavoro sviluppato in collaborazione con la società STUPIRE Srl. Nel panorama industriale moderno le tecnologie digitali in cloud hanno ormai acquisito un ruolo fondamentale accanto a quelle già esistenti sul campo. La loro implementazione garantisce maggiore consapevolezza e controllo dell'intera catena produttiva permettendo adattamenti rapidi ed efficaci con numerosi benefici, uno tra tanti il monitoraggio da remoto orientato all’implementazione di strategie di risparmio energetico.
Il progetto è nato dall' esigenza di STUPIRE di monitorare in modo efficiente e soprattutto comodo ed intuitivo per l'utente i dati provenienti da un impianto di produzione di preforme in plastica, accostandolo ai sistemi tradizionali già presenti sul campo. La piattaforma scelta per il progetto è stata ThingsBoard (TB), una potente infrastruttura digitale specializzata nella gestione di dispositivi attraverso protocolli di rete. La sua installazione ed utilizzo sono stati accompagnati dallo studio ed implementazione di tecnologie accessorie come Docker.
I dati di consumo energetico e di produzione acquisiti dall'impianto sono stati filtrati, uniti ed elaborati per produrne una visualizzazione onnicomprensiva ed interattiva mediante una schermata accessibile all'utente. E' stata inoltre progettata una gestione dell'allarmistica capace di segnalare valori e/o profili anomali nei dati ottenuti. Sono state infine esplorate le capacità di profilazione utente ed i diritti di accesso di questi ultimi ai dati contenuti nella piattaforma.
Successivamente all’implementazione del sistema, si è svolta una analisi dei dati di progettazione MATLAB, uno strumento versatile di analisi che permette di visualizzare ed elaborare dati grazie ad una pletora di pacchetti pronti all'uso. I dati di energia e produzione dei macchinari dell'impianto sono stati filtrati ed elaborati; quattro tipologie di visualizzazioni sono state create: un grafico a dispersione di energia, peso totale, peso unitario del pezzo e indicatore chiave di prestazione (Key Performance Indicator o KPI) rapportato ai lotti di produzione, un grafico che mostra l'andamento temporale giornaliero di energia, peso totale, KPI e KPI cumulativo, un grafico a dispersione con tutte le letture energetiche dei contatori e sotto-contatori che compongono i macchinari ed infine un grafico a dispersione di energia e KPI rapportato al peso e diviso in gruppi per numero di lotti.
Il lavoro svolto ha permesso di evidenziare la grande potenza e versatilità di tecnologie digitali come TB e Docker. Uno dei risultati più importanti è stato l'integrazione delle diverse tecnologie e protocolli per gestire lo spostamento e la manipolazione dell'informazione dal campo al cloud. Ciò ha anche posto le basi per la replicabilità dell'architettura.
L'analisi dati effettuata con Matlab ha permesso di studiare il processo produttivo. Si è notato come il maggior responsabile della variabilità nel consumo energetico sia dovuto alla fase di movimentazione dei macchinari piuttosto che quella di riscaldamento. Tale fluttuazione diminuisce con l'aumentare della numerosità dei lotti di produzione poiché gli effetti dei fermo macchina vengono attenuati. Grazie all'analisi del KPI il profilo temporale della produzione ha mostrato macchinari responsivi alla variazione della quantità di prodotto erogata giornaliera.
The aim of this thesis is to present the work developed in collaboration with STUPIRE Srl. In the modern industrial landscape, digital cloud technologies have acquired a fundamental role alongside existing field technologies. Their implementation ensures greater awareness and control over the entire production chain, enabling rapid and effective adaptations with numerous benefits, including remote monitoring aimed at implementing energy-saving strategies.
The project originated from STUPIRE’s need to efficiently monitor data from a plastic preform production plant in a manner that is convenient and intuitive for the user, while integrating with traditional systems already present in the field. The platform selected for the project was ThingsBoard (TB), a powerful digital infrastructure specialized in device management through network protocols. Its installation and utilization were accompanied by the study and implementation of supporting technologies such as Docker.
Energy consumption and production data acquired from the plant were filtered, merged, and processed to generate a comprehensive and interactive visualization through a user-accessible dashboard. An alarm management system was also designed to detect anomalous values and/or patterns in the collected data. Furthermore, user profiling capabilities and related data access permissions within the platform were explored.
Following the system implementation, a design data analysis was performed using MATLAB, a versatile analytical tool that enables data visualization and processing through a wide range of ready-to-use packages. Energy and production data from the plant machinery were filtered and processed, leading to the creation of four types of visualizations: a scatter plot showing energy consumption, total weight, unit weight of the part, and Key Performance Indicator (KPI) relative to production batches; a time-series plot displaying the daily trends of energy consumption, total weight, KPI, and cumulative KPI; a scatter plot including all energy readings from meters and sub-meters composing the machinery; and finally, a scatter plot of energy consumption and KPI relative to weight, grouped by batch number.
The work carried out highlighted the significant power and versatility of digital technologies such as TB and Docker. One of the most important outcomes was the integration of different technologies and protocols to manage data transfer and processing from field devices to the cloud. This also laid the foundation for the replicability of the system architecture.
The data analysis conducted using MATLAB enabled the study of the production process. It was observed that the main contributor to variability in energy consumption is the machinery handling phase rather than the heating phase. This fluctuation decreases as the number of production batches increases, since machine downtime effects become less significant. Through KPI analysis, the temporal production profile showed that the machinery is responsive to variations in daily production output.