I sistemi HVAC, responsabili del controllo del clima interno e della ventilazione degli edifici, rappresentano una componente essenziale per il comfort e la qualità dell'aria. Tuttavia, il loro funzionamento continuo può essere compromesso da guasti improvvisi che comportano costosi interventi di manutenzione e lunghi tempi di inattività.
Per affrontare questa sfida, Yunior González e Danelis Guillan hanno sviluppato un innovativo sistema basato sul Machine Learning edge, progettato per rilevare precocemente i segnali di malfunzionamento nei sistemi HVAC. Il cuore di questo prototipo è l’Arduino Nicla Sense ME, una scheda dotata di sensori avanzati, tra cui un accelerometro integrato. La scelta del Nicla Sense ME è stata motivata dalla sua capacità di acquisire dati di vibrazione con alta precisione, permettendo di monitorare i motori e le componenti meccaniche degli impianti HVAC. I dati raccolti, ottenuti con una frequenza di campionamento di 10 Hz su ciascun asse dell'accelerometro, sono stati importati nella piattaforma Edge Impulse per l’analisi e l’addestramento del modello di Machine Learning. Il modello creato utilizza un algoritmo di clustering K-means, noto per la sua efficienza nel rilevare anomalie, un approccio che consente di identificare deviazioni rispetto ad un comportamento normale predefinito, come ad esempio irregolarità nella rotazione di un motore. A differenza dei classificatori tradizionali, il clustering K-means si rivela particolarmente adatto per applicazioni in cui l'obiettivo principale è individuare pattern inusuali senza la necessità di categorizzare esplicitamente ogni evento.
Una volta che il sistema rileva un'anomalia, è necessaria una modalità di comunicazione per segnalare l'evento e generare un avviso. Per soddisfare questa esigenza, González e Guillan hanno integrato una scheda Microchip AVR-IoT Cellular Mini, che consente la trasmissione dei dati attraverso la rete cellulare. La configurazione è stata ulteriormente arricchita con uno schermo per la visualizzazione locale degli eventi, rendendo il sistema versatile e autonomo. La trasmissione dei dati avviene mediante la connessione tra la Nicla Sense ME e l'AVR-IoT Cellular Mini, quando viene rilevata un'anomalia, un segnale digitale attiva la trasmissione verso un’istanza del database Azure Cosmos DB, progettato per gestire grandi volumi di dati in tempo reale. Il database consente di archiviare e visualizzare le informazioni in un’applicazione web dedicata, accessibile da remoto per una gestione più efficace degli allarmi e della manutenzione preventiva. L’adozione dell’apprendimento automatico edge in questo contesto offre diversi vantaggi: in primo luogo, i modelli possono essere eseguiti direttamente sul dispositivo senza la necessità di inviare costantemente i dati ad un server centrale, riducendo così la latenza ed i costi di connettività, inoltre, il sistema consente di agire in modo proattivo, prevenendo guasti gravi attraverso l’identificazione precoce di segnali di usura o anomalie. Il progetto si inserisce in un panorama sempre più orientato verso soluzioni di manutenzione predittiva, un approccio che sta rivoluzionando la gestione delle infrastrutture critiche. L’integrazione di tecnologie come l'Edge Machine Learning e l’Internet of Things rappresenta un passo importante per migliorare l'efficienza operativa e ridurre i costi di gestione.
La soluzione sviluppata da González e Guillan dimostra come l’uso combinato di hardware avanzato e algoritmi di Machine Learning possa offrire un notevole impatto nel settore HVAC. Oltre a migliorare l'affidabilità dei sistemi, questo approccio apre nuove possibilità per l’ottimizzazione dei processi e la sostenibilità energetica, contribuendo ad un futuro in cui gli edifici saranno sempre più autonomi e intelligenti. Ulteriori dettagli sul progetto e le specifiche tecniche sono disponibili nell’articolo originale pubblicato sulla pagina Smart HVAC Maintenance: ML-based failure detection - Hackster.io, una risorsa essenziale per chi desidera approfondire il tema della manutenzione predittiva basata su tecnologie emergenti.
