Data analytics for energy monitoring in Industry 4.0

By the emergence of Industry 4.0 as trend and 4th revolution in industry sector, data are generated continuously by sensors and actuators embedded and networked in system. Interpretation and analysis of data captured through I4.0 technologies and protocols became common in recent years. The major object in this new industrial environment is Cyber Physical System (CPS) which links all the technologies (both physical and digital) together to improve industry sector. There are some requirements to implement this connection and big data analytics and cloud computing are strictly correlated. Embedded sensors and actuators are used for real-time identification and detection of status and activities in different part of manufacturing such as: plants, workers, input material and finished product. Moreover, the data generated by industry will be analyzed to improve production capacity, efficiency, energy consumption, security and customization. Energy consumption is an important issue for manufacturers to optimize and enhance industry performances. Industry 4.0 technologies provide the possibility to collect data related to energy consumption. The interpretation of these data leads to recognizing the behavior of the system to predict and prevent abnormal behaviors of the system in order to control the production and optimize the energy consumption. In this study, the data generated in the Industry 4.0 Lab located in the Department of Management, Economics and Industrial Engineering of Politecnico di Milano were analyzed through a suitable data analytics software and some machine learning methods were applied in order to describe the stations’ behavior of the Lab assembly line. Random forest and linear regression as supervised and hierarchical clustering and k-means as unsupervised methods were applied on this dataset. Moreover, KPIs for energy are computed in order to quantify the energy consumption. KPIs’ value is important for managers to take decision regarding the energy usage and optimization.

L'emergere del paradigma Industry 4.0 all`interno degli ambienti di fabbrica, consente una nuova e migliore gestione dei dati. Questi vengono infatti generati continuamente da sensori e attuatori incorporati e collegati in rete nel sistema stesso. L`interpretazione e l`analisi dei dati acquisiti tramite tecnologie e protocolli tipici del paradigma 4.0 sono diventati comuni negli ultimi anni. Una delle principali rivoluzioni tecnologiche di questo nuovo paradigma e` garantita dalla presenza dei Cyber Physical System (CPS) che consentono di collegare diverse tecnologie (fisiche e digitali) insieme per migliorare l`ambiente di fabbrica. Altre tecnologie abilitanti del paradigma 4.0, come Big Data Analytics e Cloud Computing, consentono poi la rielaborazione di questi dati, affinche` risultino utili per i processi decisionali aziendali. Sensori e attuatori incorporati vengono utilizzati per l'identificazione in tempo reale dello stato e delle attività presenti in diverse parti del processo produttivo, come impianti, materie prime e prodotti finiti. Inoltre, i dati generati dalla fabbrica verranno analizzati per migliorare la capacità produttiva, l'efficienza, il consumo di energia, la sicurezza e la personalizzazione dei prodotti stessi. All`interno di questo nuovo paradigma industriale, la gestione dell`energia ne rappresenta uno dei pilastri fondanti. I consumi energetici sono un aspetto fondamentale del processo produttivo per ottimizzare e migliorare le prestazioni di sistema. Le tecnologie Industry 4.0 offrono la possibilità di raccogliere dati relativi al consumo di energia. L'interpretazione di questi dati porta a riconoscere il comportamento del sistema e di prevedere e prevenire comportamenti anomali al fine di controllare la produzione e ottimizzare il processo nel suo insieme. Nel presente lavoro sono stati analizzati i dati generati all`interno dell`Industry 4.0 Lab del Dipartimento di Ingegneria Gestionale del Politecnico di Milano e sono stati applicati alcuni metodi di Data Analytics per descrivere il comportamento del processo produttivo totalmente automatizzato presente in laboratorio. Modelli di analisi statistica come la regressione lineare, il clustering supervisionato e gerarchico e il metodo delle k-medie sono stati applicati su questo set di dati. Infine differenti KPI energetici sono calcolati al fine di quantificare il consumo di energia. I sistemi KPI ottenuti rappresentano uno strumento per il management aziendale poiche` consentono di prendere decisioni in merito all'utilizzo e all'ottimizzazione dell'energia consumata dal processo produttivo.