Il Dipartimento di Ingegneria dell’Informazione (DEI) ha preso parte al progetto ‘Trasformazione digitale innovativa nell’industria dell’entertainment’. Il progetto, coordinato dalla capofila Zamperla, si è avvalso del finanziamento POR FESR 2014–2020 nell’ambito del “Bando per il sostegno a progetti sviluppati da aggregazioni di imprese” – ASSE 1, AZIONE 1.1.4. “Sostegno alle attività collaborative di R&S per lo sviluppo di nuove tecnologie sostenibili, di nuovi prodotti e servizi”, promosso dalla Regione Veneto.
L’industria delle giostre meccaniche, quali roller coaster, si sta affacciando in questi anni alle tematiche di digitalizzazione, in linea con l’avvento dell’Industria 4.0 in ambito industriale. Zamperla S.p.A., che ha messo a disposizione i case study oggetto di questo progetto, è uno dei maggiori produttori mondiali di roller coaster e vanta installazioni di grande prestigioso nei parchi divertimento più importanti al mondo e gestisce direttamente i parchi di Coney Island e Victoria Gardens (Central Park) a New York.
Nel progetto, i ricercatore del DEI hanno contribuito a realizzare un sistema integrato comprensivo sia della parte di acquisizione e archiviazione dei dati, attraverso la realizzazione di un database ad hoc, che della parte di analisi dei dati basata su tecniche di Intelligenza Artificiale (AI) in grado di identificare potenziali anomalie e degradi nel funzionamento dei roller coaster.
La figura sottostante illustra, ad alto livello, il funzionamento della soluzione di AI sviluppata. L’algoritmo fornisce una stima del grado di anomalia dei segnali provenienti sia da singoli sensori (univariate anomaly score) che dall’interazione di più sensori contemporaneamente (multivariate anomaly score) fornendo, in quest’ultimo caso, anche un'indicazione del contributo di ogni sensore nella determinazione del grado di anomalia (ranking of variables).
Infine, le condizioni di funzionamento della macchina sono tracciate (concept drift measure) allo scopo di monitorare e predire operazioni di manutenzione ordinaria (ad es., la lubrificazione degli ingranaggi) e straordinaria (ad es., la sostituzione di un pezzo dovuta alla sua usura).
Le due figure sottostanti mostrano, rispettivamente, l’identificazione di un ciclo macchina anomalo e la predizione di un’operazione di manutenzione, più precisamente, della lubrificazione di alcuni ingranaggi.
Maggiori dettagli sugli aspetti metodologici della soluzione sviluppata sono raccolti in due articoli scientifici pubblicati dal team di progetto:
M. Berno, M. Canil, N. Chiarello, L. Piazzon, F. Berti, F. Ferrari, A. Zaupa, N. Ferro, M. Rossi, G.A. Susto. A Data Management and Anomaly Detection Solution for the Entertainment Industry. Italian Symposium on Database Systems (SEBD), 2021 http://www.dei.unipd.it/~ferro/papers/2021/SEBD2021-BCCEt.pdf
M. Berno, M. Canil, N. Chiarello, L. Piazzon, F. Berti, F. Ferrari, A. Zaupa, N. Ferro, M. Rossi, G.A. Susto. A Machine Learning-based Approach for Advanced Monitoring of Automated Equipment for the Entertainment Industry. International Workshop on Metrology for Industry 4.0 & IoT, 2021 https://ieeexplore.ieee.org/abstract/document/9488481
Il contributo economico dalla Regione Veneto per il Dipartimento di Ingegneria dell’Informazione è pari a: 79.910,88€
