Machine Learning applicato al mondo delle caldaie

Francesco Z.

Francesco Z.

Marketing Manager

Francesco Z.

Francesco Z.

Marketing Manager

Cos’è il Machine Learning?

Prima di vedere le applicazioni di machine learning al mondo delle caldaie, cerchiamo di capire cos’è il machine learning e su che principi si basa.

Innanzitutto partiamo dalla definizione: il machine learning è un campo di studio dell’informatica moderna dedicato alla progettazione di algoritmi che hanno la capacità di prendere decisioni in via autonoma.

Questo rappresenta un cambio di paradigma nel mondo della programmazione e in particolare nell’ambito della modellizzazione di sistemi, dando alle macchine la possibilità di affrontare situazioni nuove e prendere decisioni basate sui dati accumulati fino a quel momento.
Grazie a questo cambio di passo nel mondo informatico, non sarà più necessario programmare algoritmi di controllo che sappiano in anticipo come affrontare ogni situazione, ma basterà semplicemente fornirgli una linea guida e lasciare che la macchina apprenda man mano come un bambino.
Immaginiamo infatti di dover programmare un sistema complesso, con le tecniche di machine learning è possibile ridurre drasticamente lo sforzo di progettazione umana e lasciare alla macchina l’onere di trovare la migliore approssimazione possibile.
Al termine della fase di apprendimento avremo quindi ottenuto un modello il cui obiettivo è compiere un’attività specifica basata sull’esperienza maturata in precedenza.

Machine Learning applicato alle mondo delle caldaie:

  1. Basi di Machine Learning
  2. Tre tipologie di applicazione del Machine Learning
    1. Apprendimento supervisionato (supervised-learning)
    2. Apprendimento non-supervisionato (unsupervised-learnng)
    3. Apprendimento per rinforzo (reinforcement-learning)

1. Basi di Machine Learning

Come abbiamo visto il machine learning basa il suo funzionamento sull’esperienza e la possibilità di analizzare i diversi parametri che la compongono. Questo tradotto significa dati, dati e dati. 

Il set di dati rappresenta il bacino da cui gli algoritmi di apprendimento automatico attingono le necessarie informazioni. 

Possiamo pensare a questa risorsa come un lago fluido di informazioni (Data Lake) il quale è composto da una serie di affluenti.

 

Queste sono le sorgenti delle informazioni ovvero le entità come schede di acquisizione dati sugli impianti, servizi meteorologici remoti e altri flussi di dati di interesse identificati per risolvere lo specifico problema, nel dettaglio questo rappresenta l’insieme dei Big Data. 

Tutti abbiamo sentito parlare di Big Data, in qualche discussione sull’innovazione. Un aspetto su cui però ci si sofferma poco collegato ai Big Data, e quello del Data Cleaning/Cleansing.
Se avere una grossa base di dati è condizione necessaria per un algoritmo di Machine Learning per funzionare, non è tuttavia sufficiente. 

Perchè l’algoritmo possa funzionare in modo efficiente e senza errori, i dati vanno puliti e raffinati, quasi come un sistema di depurazione delle acque. 

La bontà e consistenza dei dati forniti agli algoritmi di ML, influenza infatti le performance e la possibilità di errori che il modello stesso potra compiere in futuro.

Per questo motivo la raffinazione dei dati, o pulizia (Data Cleaning/Cleansing) sono fondamentali nell’intero processo.

Prenota un sopralluogo gratuito!

2. Tre tipologie di applicazione del Machine Learning

Adesso che abbiamo visto cos’e il machine learning, vediamo le principali tecniche di applicazione. 

Le possiamo dividere in 3 macro categorie: 

  1. Apprendimento supervisionato (supervised-learning)
  2. Apprendimento non-supervisionato (unsupervised-learnng)
  3. Apprendimento per rinforzo (reinforcement-learning)

a. Apprendimento supervisionato (supervised-learning)

Le tecniche di apprendimento supervisionato sono le più diffuse e si applicano ai scenari più ampi e diversificati.

Si basano sulla possibilità di “istruire” un algoritmo affinché possa autonomamente effettuare previsioni sui valori di uscita di un sistema rispetto ad un input, basandosi su una serie di esempi ideali costituiti da coppie di input e output fornitigli inizialmente. 

Questa relativa semplicità di configurazione, si riflette applicativamente mettendo a disposizione uno strumento capace di mimare le dinamiche dei dati utilizzati per l’apprendimento. 

Per avere un’idea della vastità delle applicazioni del machine learning in apprendimento supervisionato, basti pensare che tutte le volte che un correttore ci suggerisce una parola, quella parola è il risultato di un algoritmo di SL i cui dati provengono dalle nostre abitudini apprese dal sistema nel corso del tempo. 

Sfruttare la grande mole di dati fino a ieri inutilizzata e processarla, apre verso numerosi scenari applicativi come la guida autonoma di veicoli. 

Anche nel campo della produzione di calore sono numerose le possibili iniziative, come ad esempio creare modelli di regressione che descrivano il funzionamento dei generatori di calore.

Il risultato è un digital twin della singola macchina impiegabile per funzioni di diagnostica, osservare la deviazione dei parametri di funzionamento e programmare degli interventi preventivi (preventive maintenance) molto più accurati.

Oppure anche nel campo della progettazione al fine di migliorare, tramite interventi, le performance dell’impianto e la sua funzionalità in relazione alle caratteristiche uniche di ogni cliente.

b. Apprendimento non-supervisionato (unsupervised-learnng)

Come per l’apprendimento supervisionato, anche quello non-supervisionato basa il suo funzionamento su una serie di dati forniti in entrata. 

A differenza di quello supervisionato però, non vengono prima categorizzati manualmente, ma verrà lasciato libero l’algoritmo di classificarli secondo caratteristiche comuni.  

Un tipico esempio di applicazione è quello della valutazione delle rotture dei componenti, dove si ha a disposizione una grande mole di dati durante la normale operatività dei componenti, ma allo stesso tempo una nulla o limitata disponibilità di informazioni certe sulla rottura dello stesso. 

Come è quindi possibile avere informazioni sulla salute strutturale del dispositivo durante la regolare operatività?

Grazie agli algoritmi di machine learning in unsupervised-learning è possibile studiare il comportamento del componente durante la sua vita, e utilizzando metodi stocastici di data-mining, è possibile risalire allo stato di salute ed operativamente intervenire in modo da evitare la completa rottura del pezzo. 

c. Apprendimento per rinforzo (reinforcement-learning)

A differenza delle due precedenti tipologie, quella per rinforzo non si basa necessariamente sulla presenza di un data set. 

Al contrario gli algoritmi, o agenti, controllano il processo scegliendo di volta in volta l’azione che massimizzi la ricompensa che riceve. 

L’agente, osservando il risultato ottenuto nell’ambiente, migliora quindi le proprie capacità di controllo. 

Questa estrema adattabilità è una caratteristica largamente sfruttata anche nell’ambito termotecnico. 

Probabilmente, l’applicazione più famosa sono i termostati sviluppati da Nest labs del gruppo Google, questi integrano gli algoritmi di RL per controllare i sistemi di riscaldamento domestici in modo da assicurare il massimo comfort termico e minimizzando gli sprechi energetici tramite il continuo apprendimento nel tempo. 

Un simile approccio è applicabile alle caldaie in ambito industriale e residenziale migliorandone il loro controllo. 

Anche qui troviamo un totale cambio di paradigma nell’ambito di controllo, ampliando ad informazioni provenienti dall’intero complesso e gestendo l’impianto in modo più fedele, garantendo quindi il “comfort termico” e favorendo una riduzione delle emissioni climalteranti.

come scegliere il giusto Generatore di Vapore?