BV4Students • La tesi di Danilo

DETERMINAZIONE DI HEALTH INDEX E VITA UTILE RESIDUA DEGLI INVERTER FOTOVOLTAICI TRAMITE MACHINE LEARNING

ABSTRACT

Negli ultimi anni, la manutenzione predittiva ha acquisito crescente importanza, soprattutto nell’ambito dell’industria 4.0, dove l’analisi dei dati e l’uso di tecnologie avanzate come il machine learning consentono di prevedere i guasti e ottimizzare gli interventi. 

Sebbene inizialmente applicata principalmente alle apparecchiature più costose e cruciali per la produzione, la manutenzione predittiva sta progressivamente coinvolgendo anche componenti di minor valore che, pur avendo un impatto indiretto sulla produzione, possono causare fermi impianto e costi elevati. Questo tipo di manutenzione si basa sull'analisi dei dati raccolti da sensori e dispositivi di monitoraggio, rendendo possibile la previsione dei guasti e la pianificazione ottimale degli interventi.

La tesi sviluppa un indice di salute e prevede la vita utile residua (RUL) per gli alimentatori delle ventole di raffreddamento degli inverter in impianti fotovoltaici, utilizzando parametri già monitorati storicamente, senza l’utilizzo di tecnologie avanzate come l'analisi termografica. 
Questo approccio ha mostrato un’ottima integrazione con gli algoritmi di machine learning, in particolare in ambiente Matlab, grazie alla frequente occorrenza di guasti, che consente di ottenere previsioni abbastanza precise. 
I risultati ottenuti permettono di stimare la vita residua dei componenti da un minimo di tre giorni fino a undici giorni prima del guasto, offrendo così la possibilità di pianificare gli interventi in anticipo.

Nel contesto operativo degli impianti fotovoltaici, che operano principalmente durante il giorno, questa previsione consente di programmare le operazioni di manutenzione durante le ore notturne, riducendo al minimo l'impatto sui costi di produzione e migliorando la sicurezza operativa. L’approccio proposto è vantaggioso anche in considerazione del basso costo dei componenti di ricambio, rendendo la manutenzione predittiva una soluzione conveniente per ridurre i costi di fermo impianto.

Il lavoro si basa sui dati operativi forniti da Eni Plenitude e sull’esperienza di Bureau Veritas Nexta nella gestione della manutenzione industriale.