Quali trattori a guida autonoma sono già sul mercato?​

La maggior parte dei produttori di trattori sta lavorando sulla tecnologia per permettere ad almeno uno dei loro modelli di trattore di lavorare senza conducente. Un riepilogo basato su ciò che sappiamo finora.

Attualmente solo pochi tipi di trattori sono disponibili di fabbrica come pronti per operare senza conducente o con capacità autonome. Supportati dal produttore originale (OEM) e non da terze parti che offrono kit di retrofit autonomi. Questi trattori possono essere operati senza conducente mentre un operatore li controlla da un altro trattore o veicolo vicino, o persino da una posizione remota. I produttori giapponesi Kubota e Yanmar sono stati i primi a offrire commercialmente trattori a guida autonoma nel loro paese d'origine, il Giappone. Sono stati seguiti da Monarch Tractor e John Deere.

Sviluppi futuri​

Ogni produttore di trattori, che lo ammetta o meno, sta sviluppando trattori con opzione di guida autonoma. All’aperto o dietro porte chiuse. Veicoli che somigliano all'aspetto attuale di un trattore e costruiti con componenti che normalmente si trovano nei trattori come li conosciamo da decenni. Recenti fiere come l'Agritechnica dello scorso anno ad Hannover, in Germania, hanno presentato alcuni modelli di trattori a guida autonoma in arrivo, come il Claas Xerion 12.590 TerraTrac, il Fendt e107 Vario e la serie 900 e il Kubota AgriRobo MR 1000 A.

In precedenza, Case IH ha mostrato un Magnum 400 autonomo in Brasile e ha dimostrato un Magnum 340 autonomo in Austria. Anche la Bielorussia ha reso pubblico il fatto che stanno lavorando al loro modello di trattore autonomo A3523i. Altri produttori che molto probabilmente stanno sviluppando trattori a guida autonoma includono Farmtrac, Mahindra e anche Keestrack. Quest'ultimo potrebbe non essere un nome molto familiare per la maggior parte degli agricoltori e dei contoterzisti, ma il produttore ha una lunga esperienza nella produzione di macchine per le costruzioni, possiede lo specialista dei trattori Goldoni e produce trattori elettrici sviluppati dallo svizzero Rigitrac nella sua fabbrica Goldoni in Italia.

La maggior parte dei trattori a guida autonoma ha ancora una cabina​

Ciò che i trattori a guida autonoma commercialmente disponibili e quelli in fase di sviluppo hanno in comune è che la maggior parte della tecnologia a bordo può già essere trovata nei modelli di trattore più recenti. Questi sono automatizzati a tal punto che possono seguire automaticamente linee rette e curve AB, abbassare/sollevare e avviare/arrestare attrezzi e macchinari e girare automaticamente ai bordi del campo grazie a sofisticati sistemi di gestione. L'unica tecnologia che manca a questi trattori per lavorare senza conducente sono le telecamere e i sensori per osservare l'ambiente circostante, il macchinario e la qualità del lavoro svolto.

Un altro aspetto comune a molti trattori a guida autonoma disponibili e prototipi è la presenza di una cabina o almeno di un sedile per il conducente. Questo potrebbe essere il risultato di un periodo di transizione tra trattori con conducente e trattori senza conducente, simile a ciò che abbiamo visto con Tesla e Beyond Meat, ad esempio. Le prime auto Tesla avevano ancora griglie di raffreddamento per assomigliare all'aspetto familiare e generalmente accettato delle auto e dei camion esistenti. Beyond Meat e altri produttori di alimenti vegani hanno prima sviluppato prodotti a base di carne vegana che somigliavano nell'aspetto, nel gusto e nella consistenza alla carne per ottenere accettazione iniziale. Un ulteriore aspetto riguarda la flessibilità dei trattori con opzione di guida autonoma che includono una cabina, comandi e un terminale per l'operatore. Puoi ancora usare il tuo trattore come al solito e puoi guidarlo da un campo all'altro su strade pubbliche. Quest'ultimo potrebbe non essere un problema nelle grandi fattorie dell'outback, ma lo è nella maggior parte delle altre aree. Spostare macchinari autonomi da un campo all'altro richiede ancora un trattore o un camion con un rimorchio pianale.

Le eccezioni senza cabina o sedile per il conducente sono il bielorusso A3523i, il Kubota New Agri Concept e, in una certa misura, anche il Krone/Lemken Combined Powers VTE.

Dichiarazioni ufficiali​

Abbiamo chiesto alla maggior parte dei principali produttori dichiarazioni ufficiali sull'introduzione di trattori a guida autonoma e queste sono le risposte che abbiamo ricevuto.

Agco (Fendt) dice: "Abbiamo diversi progetti per soluzioni di autonomia/autonome in corso, ma nessuno di questi è attualmente disponibile commercialmente."

Claas dice: "La nostra soluzione di connessione autonoma non sarà disponibile nel 2024 ma nel medio termine, senza dare una data concreta."

CNH dice: "Attualmente non abbiamo trattori commercialmente disponibili che lascino una delle nostre fabbriche con capacità di operazioni senza conducente. I nostri prototipi Case IH Farmall 75C Electric e New Holland T4 Electric Power sono in fase di omologazione. Insieme a Raven, possiamo fornire kit di retrofit autonomi per i trattori Case IH Magnum nei paesi in cui le operazioni autonome sono legalmente consentite. Questo esclude l'Europa."

Deutz-Fahr dice: "Nel 2024 non introdurremo un trattore autonomo commercialmente."

John Deere dice: "I nostri modelli a quattro ruote e cingolati della serie 8 e 9 per l'anno modello 2025 offriranno un'opzione pronta per l'autonomia che permetterà agli agricoltori di passare rapidamente e facilmente a un funzionamento completamente autonomo quando sarà giusto per la loro azienda agricola. Il pacchetto pronto per l'autonomia offre tutto l'hardware, il software e le funzionalità di sicurezza che oggi sappiamo saranno necessari per l'operazione autonoma in futuro. Il pacchetto pronto per l'autonomia è disponibile negli Stati Uniti e in Canada per l'ordine tramite concessionari John Deere locali. L'unico elemento aggiuntivo che un agricoltore dovrà aggiungere in futuro per completare le operazioni autonome sarà il sistema di percezione. Il sistema di percezione è composto da telecamere e unità di elaborazione visiva necessarie per il funzionamento autonomo."

Soluzioni e fornitori affidabili preferiti​

Se lasci che il tuo trattore autonomo lavori nei tuoi campi, affidi i tuoi campi e le tue colture a qualcosa di (piuttosto) sconosciuto. Le lezioni apprese durante gli esperimenti dello scorso anno nei Paesi Bassi con un trattore comune dotato di un kit di retrofit autonomo includono le opinioni chiare degli agricoltori che trovano "un trattore autonomo senza conducente principalmente interessante per la preparazione del terreno". Questa opinione nasce principalmente dalla necessità di supervisione, sia per motivi di sicurezza che per garantire che la macchina funzioni efficacemente e mantenga la qualità del lavoro. Le operazioni che determinano la salute e la resa delle colture, come la semina e il diserbo, sono difficilmente affidate ad alternative autonome poiché mancano soluzioni di monitoraggio adeguate. Un filare di seminatrice bloccato o un coltello per diserbo che trascina un pezzo di legno o metallo, distruggendo così un filare di coltura, sono l'ultima cosa che gli agricoltori vogliono. John Deere e altri hanno una chiara ragione per iniziare le operazioni autonome con compiti di preparazione del terreno.

Poi, facciamo un altro parallelo con l'industria automobilistica, almeno in Europa. Ai produttori coreani di auto ci sono voluti decenni per guadagnare fiducia nei loro prodotti. Non solo dal punto di vista della qualità e dell'affidabilità, ma anche dal punto di vista della svalutazione o del valore di rivendita. Attualmente, almeno in Europa, sono i coreani insieme a Tesla ad essere noti per le loro innovazioni, affidabilità e valore di rivendita per le auto elettriche. Nel frattempo, i numerosi produttori cinesi di auto elettriche stanno affrontando le stesse sfide, ma molto più rapidamente.

Lo stesso sta accadendo in agricoltura. Se acquisti un trattore da uno dei produttori affermati menzionati sopra, sai cosa stai ottenendo. In termini di qualità, affidabilità e servizio, e puoi anche stimare (approssimativamente) il valore di rivendita o scambio e quindi i costi orari. Anche se lo hai dotato di un kit di retrofit autonomo. Questo non è il caso per i robot da campo, che sono costosi e, almeno per ora, si svalutano rapidamente.

[Top]

Stime sui dati provenienti dai veicoli connessi​

Secondo le stime di Gartner, entro il 2025 le case automobilistiche saranno in grado di raccogliere mensilmente 1GB di dati dai veicoli connessi. Allo stesso tempo, i veicoli a guida autonoma classificati come SAE di livello 3-5 genereranno 1TB di dati ogni ora, anche se meno dell'1% verrà trasferito in cloud. Questa previsione implica un impatto diretto sulla gestione dei dati sulle piattaforme digitali: mentre il flusso di dati può sovraccaricare sistemi informativi non ottimizzati, le informazioni ottenute possono essere precise e preziose per tutti gli stakeholder coinvolti.

La soluzione di Mative ai Big Data​

Questa previsione implica un impatto diretto sulla gestione dei dati sulle piattaforme digitali: mentre il flusso di dati può sovraccaricare sistemi informativi non ottimizzati, le informazioni ottenute possono essere precise e preziose per tutti gli stakeholder coinvolti. Noi di Mative siamo preparati: attualmente, elaboriamo decine di GB al giorno in tempo reale, offrendo ai nostri clienti soluzioni capaci di raccogliere, analizzare e valorizzare i dati dei veicoli connessi. Questo favorisce decisioni rapide e abilita la creazione di servizi di mobilità innovativi.

Digitalizzazione dei processi produttivi​

Secondo le proiezioni riguardanti la Smart Industry, entro il 2025 le imprese industriali saranno in grado di implementare una rete di produzione altamente interconnessa e automatizzata. Questo scenario sarà caratterizzato da una vasta quantità di dati generati dai dispositivi connessi in tempo reale lungo l'intera catena di produzione. Ad esempio, si prevede che ogni ora le macchine industriali saranno in grado di generare un volume di dati pari a diversi TB, fornendo informazioni cruciali sulle prestazioni delle attrezzature, sulla qualità dei prodotti e sullo stato degli impianti.

Sistemi di monitoraggio remoto: esempi d'impiego​

Attualmente, molte aziende stanno già investendo in soluzioni innovative per affrontare le sfide della nuova era industriale. Ad esempio, attraverso l'implementazione di sensori intelligenti e sistemi di monitoraggio remoto, è possibile raccogliere dati dettagliati sull'efficienza operativa delle macchine e prevedere potenziali guasti in anticipo, consentendo interventi di manutenzione preventiva. In sintesi, il mondo dello Smart Industry offre enormi opportunità per le imprese industriali, ma richiede una gestione avanzata dei dati e l'adozione di tecnologie all'avanguardia per massimizzare il valore derivante dalla digitalizzazione dei processi produttivi.

La soluzione di Mative ai Big Data​

La sfida principale non risiede solo nella raccolta dei dati, ma anche nella loro gestione e analisi efficace. Mative gestisce il flusso massiccio dei dati attraverso sistemi informativi robusti e scalabili per elaborare, archiviare e analizzare le informazioni in tempo reale. Per estrarre valore dai dati e prendere decisioni predittive e ottimizzate, prova il nostro algoritmo di apprendimento automatico Synapsis ML.

Il vento prodotto dalle auto in transito potrebbe non sembrare molto, ma le lunghe, discrete pale verticali di ENLIL sono abbastanza potenti da produrre un kilowatt di energia all'ora.

Una singola turbina dotata di un pannello solare aggiuntivo in cima può produrre senza problemi abbastanza elettricità per alimentare due famiglie turche per un giorno.

Le moderne turbine eoliche standard ben progettate hanno un'aspettativa di vita di 20 anni, qualcosa che ENLIL potrebbe un giorno superare grazie alla sua semplicità e durata. Ogni turbina segue un design semplice, rendendola facile da montare e anche da riparare.

L'apparato è abbastanza piccolo da essere posizionato accanto a veicoli in movimento e occupa una superficie minima indipendentemente da dove si trovi. Ciò consente un facile trasporto e montaggio in aree in cui le turbine eoliche tradizionali potrebbero altrimenti non essere pratiche, come strade e edifici cittadini.

Ma i vantaggi ambientali di ENLIL si estendono oltre. Le turbine sfruttano anche una serie di tecnologie intelligenti che tracciano la temperatura, l'umidità, l'impronta di carbonio e l'attività sismica dell'area circostante con sistemi IoT.

Ogni misurazione fornisce informazioni preziose che vengono trasmesse alle autorità e agli scienziati ambientali di Istanbul.

A growing appetite for wind power in Turkey​

Il consumo di energia eolica ha raggiunto livelli record in Turchia lo scorso anno e c'è un crescente appetito per l'innovazione pulita. A partire dal 2020, oltre l'8 percento dell'intera rete energetica del paese è prodotto dall'energia eolica.

La futura capacità di produzione energetica della Turchia potrebbe assumere molte forme. Ci sono piani per collaborare a un parco eolico offshore con la Danimarca, un mega-investimento da 85,2 milioni di euro dalla Banca europea per la ricostruzione e lo sviluppo e progetti continui per espandere la produzione di energia verde sul suolo turco.

Sebbene ENLIL possa essere ancora nelle sue fasi iniziali, il progetto ha ricevuto il "ClimateLaunchpad Urban Transitions Award" e ha vinto la Mercedes-Benz Turkish StartUP Competition prima ancora di uscire dalla sua fase di ricerca e sviluppo.

Un lancio di successo del dispositivo nella capitale turca potrebbe vedere altre città in tutta Europa adottare iniziative simili.

Introduzione​

L'innovazione tecnologica rappresenta una leva fondamentale per migliorare l'efficienza e la sostenibilità delle aziende agricole. Mative, azienda specializzata nella fornitura di soluzioni tecnologiche avanzate, offre servizi di Internet of Things (IoT) e Machine Learning (ML) capaci di rivoluzionare le pratiche agricole. Questa relazione esplora i benefici energetici ed economici che derivano dall'adozione di tali tecnologie in un'azienda agricola.

Internet of Things (IoT) in Agricoltura​

Definizione e Funzionamento​

L'IoT consiste nell'interconnessione di dispositivi intelligenti tramite internet, capaci di raccogliere, scambiare e analizzare dati in tempo reale. In agricoltura, i sensori IoT possono monitorare vari parametri come l'umidità del suolo, la temperatura, la qualità dell'aria e le condizioni delle colture.

Benefici Energetici​

1. Ottimizzazione dell'Irrigazione: I sensori di umidità del suolo permettono di irrigare solo quando necessario, riducendo sprechi d'acqua e di energia utilizzata per il pompaggio.
2. Gestione Intelligente dei Sistemi di Riscaldamento e Ventilazione: I sensori di temperatura e umidità aiutano a mantenere condizioni ottimali per le colture, minimizzando l'uso di riscaldamento e ventilazione non necessari.
3. Riduzione del Consumo Energetico delle Macchine Agricole: Trattori e altre macchine dotate di sensori IoT possono operare in maniera più efficiente, riducendo il consumo di carburante grazie all'ottimizzazione dei percorsi e delle operazioni.

Benefici Economici​

1. Aumento della Produttività: Il monitoraggio continuo e preciso delle condizioni ambientali consente interventi tempestivi, migliorando la salute delle colture e aumentando la resa.
2. Riduzione dei Costi Operativi: L'ottimizzazione delle risorse, come l'acqua e l'energia, porta a una significativa riduzione dei costi operativi.
3. Manutenzione Predittiva: I dati raccolti dai sensori IoT permettono di prevedere guasti alle attrezzature, riducendo i tempi di inattività e i costi di riparazione.

Machine Learning (ML) in Agricoltura​

Definizione e Funzionamento​

Il Machine Learning è una branca dell'intelligenza artificiale che utilizza algoritmi per analizzare grandi quantità di dati e fare previsioni o decisioni intelligenti. In agricoltura, ML può essere utilizzato per analizzare i dati raccolti dai dispositivi IoT, identificando modelli e tendenze.

Benefici Energetici​

1. Previsioni Meteo Avanzate: Algoritmi di ML possono analizzare dati meteorologici per prevedere condizioni climatiche, aiutando gli agricoltori a pianificare l'irrigazione e altre attività in modo più efficiente.
2. Ottimizzazione delle Risorse: ML può analizzare dati storici per suggerire l'uso ottimale di risorse come fertilizzanti e pesticidi, riducendo l'impatto ambientale e il consumo energetico.

Benefici Economici​

1. Gestione delle Colture: L'analisi predittiva dei dati permette di identificare tempestivamente eventuali malattie o infestazioni, riducendo le perdite di raccolto e migliorando la qualità dei prodotti.
2. Pianificazione della Produzione: ML può aiutare a prevedere la domanda di mercato, ottimizzando la produzione e riducendo sprechi.
3. Marketing e Vendite: L'analisi dei dati di mercato permette di ottimizzare le strategie di vendita e di prezzo, migliorando la competitività dell'azienda.

Caso di Studio: Implementazione in Azienda Agricola​

Consideriamo un'azienda agricola media che decide di adottare le soluzioni IoT e ML di Mative Srl. Le nostre analisi previsionali dopo un anno dall'implementazione e dall'adozione delle nostre tecnologie, mostrano i seguenti benefici:

1. Riduzione del Consumo di Acqua del 30%: Grazie all'ottimizzazione dell'irrigazione basata sui dati in tempo reale.
2. Diminuzione dei Costi Energetici del 25%: Attraverso una gestione più efficiente dei sistemi di riscaldamento, ventilazione e macchine agricole.
3. Aumento della Produzione del 20%: Dovuto a una migliore gestione delle colture e a interventi tempestivi contro malattie e infestazioni.
4. Risparmio sui Costi Operativi del 15%: Grazie alla manutenzione predittiva e all'uso ottimizzato delle risorse.

Conclusione​

L'adozione delle tecnologie IoT e ML proposte da Mative Srl rappresenta una svolta significativa per le aziende agricole che desiderano migliorare la loro efficienza energetica ed economica. I benefici derivanti dall'implementazione di queste tecnologie non solo contribuiscono alla sostenibilità ambientale, ma aumentano anche la competitività e la redditività delle aziende agricole, posizionandole al meglio per affrontare le sfide future del settore.

Introduzione​

L'innovazione tecnologica rappresenta una leva fondamentale per migliorare l'efficienza e la sostenibilità delle aziende edili. Mative, azienda specializzata nella fornitura di soluzioni tecnologiche avanzate, offre servizi di Internet of Things (IoT) e Machine Learning (ML) capaci di rivoluzionare le pratiche del settore edile. Questa relazione esplora i benefici energetici ed economici che derivano dall'adozione di tali tecnologie in un'azienda edile.

Internet of Things (IoT) nell'Edilizia​

Definizione e Funzionamento​

L'IoT consiste nell'interconnessione di dispositivi intelligenti tramite internet, capaci di raccogliere, scambiare e analizzare dati in tempo reale. Nell'edilizia, i sensori IoT possono monitorare vari parametri come il consumo energetico dei macchinari, le condizioni ambientali dei cantieri, la manutenzione delle attrezzature e la sicurezza dei lavoratori.

Benefici Energetici​

1. Ottimizzazione del Consumo Energetico delle Macchine: Sensori IoT possono monitorare il consumo energetico dei macchinari, identificando inefficienze e ottimizzando l'uso dell'energia.
2. Gestione Intelligente del Clima nei Cantieri: Sensori di temperatura e umidità aiutano a mantenere condizioni ambientali ottimali nei cantieri, minimizzando l'uso di riscaldamento e raffreddamento non necessari.
3. Monitoraggio dei Processi di Costruzione: Sensori IoT possono monitorare in tempo reale i processi di costruzione, suggerendo modifiche per migliorare l'efficienza energetica e ridurre gli sprechi.

Benefici Economici​

1. Riduzione dei Costi Operativi: L'ottimizzazione delle risorse energetiche e dei processi produttivi porta a una significativa riduzione dei costi operativi.
2. Manutenzione Predittiva: I dati raccolti dai sensori IoT permettono di prevedere guasti alle attrezzature, riducendo i tempi di inattività e i costi di riparazione.
3. Miglioramento della Qualità del Progetto: Monitorare le condizioni di costruzione in tempo reale migliora la qualità dei progetti finiti, riducendo i costi associati a difetti e ritardi.

Machine Learning (ML) nell'Edilizia​

Definizione e Funzionamento​

Il Machine Learning è una branca dell'intelligenza artificiale che utilizza algoritmi per analizzare grandi quantità di dati e fare previsioni o decisioni intelligenti. Nell'edilizia, ML può essere utilizzato per analizzare i dati raccolti dai dispositivi IoT, identificando modelli e tendenze.

Benefici Energetici​

1. Previsioni dei Consumi Energetici: Algoritmi di ML possono analizzare dati storici e attuali per prevedere i consumi energetici futuri, aiutando a pianificare meglio l'uso delle risorse.
2. Ottimizzazione dei Processi Costruttivi: ML può suggerire miglioramenti nei processi costruttivi per ridurre il consumo energetico, basandosi su dati di efficienza operativa.

Benefici Economici​

1. Gestione delle Risorse: L'analisi predittiva dei dati permette di utilizzare in modo più efficiente materiali e manodopera, riducendo gli sprechi e ottimizzando i costi.
2. Pianificazione dei Progetti: ML può aiutare a prevedere ritardi e problematiche nei progetti di costruzione, migliorando la pianificazione e riducendo i costi imprevisti.
3. Ottimizzazione della Catena di Fornitura: L'analisi dei dati di approvvigionamento permette di ottimizzare la gestione della catena di fornitura, riducendo i costi logistici e migliorando la disponibilità dei materiali.

Caso di Studio: Implementazione in Azienda Edile​

Consideriamo un'azienda edile che decide di adottare le soluzioni IoT e ML di Mative Srl. Le nostre analisi previsionali dopo un anno dall'implementazione e dall'adozione delle nostre tecnologie, mostrano i seguenti benefici:

1. Riduzione del Consumo Energetico del 20%: Grazie all'ottimizzazione dell'uso dell'energia elettrica e del riscaldamento/raffreddamento nei cantieri.
2. Diminuzione dei Costi Operativi del 15%: Attraverso una gestione più efficiente delle risorse e la manutenzione predittiva delle attrezzature.
3. Miglioramento della Qualità dei Progetti del 10%: Dovuto al monitoraggio continuo delle condizioni di costruzione, riducendo difetti e ritardi.
4. Risparmio sui Costi di Manutenzione del 10%: Grazie alla manutenzione predittiva e all'analisi dei dati delle attrezzature.

Conclusione​

L'adozione delle tecnologie IoT e ML proposte da Mative Srl rappresenta una svolta significativa per le aziende edili che desiderano migliorare la loro efficienza energetica ed economica. I benefici derivanti dall'implementazione di queste tecnologie non solo contribuiscono alla sostenibilità ambientale, ma aumentano anche la competitività e la redditività delle aziende edili, posizionandole al meglio per affrontare le sfide future del settore.

Introduzione​

L'innovazione tecnologica gioca un ruolo fondamentale nell'aumentare l'efficienza e la sostenibilità nelle aziende di produzione di beni. Mative, specializzata nella fornitura di soluzioni tecnologiche avanzate, offre servizi di Internet of Things (IoT) e Machine Learning (ML) che possono rivoluzionare le operazioni nel settore della produzione di infissi e porte. Questa relazione esplora i benefici energetici ed economici derivanti dall'adozione di queste tecnologie in un'azienda di produzione di beni.

Internet of Things (IoT) nella Produzione​

Definizione e Funzionamento​

L'IoT consiste nell'interconnessione di dispositivi intelligenti tramite internet, capaci di raccogliere, scambiare e analizzare dati in tempo reale. Nella produzione, i sensori IoT possono monitorare vari parametri come le prestazioni delle macchine, il consumo energetico, la qualità della produzione e le condizioni della catena di approvvigionamento.

Benefici Energetici​

1. Ottimizzazione dell'Uso Energetico delle Macchine: I sensori IoT possono monitorare il consumo energetico di macchine e attrezzature, identificando inefficienze e suggerendo miglioramenti per ridurre l'uso dell'energia.
2. Gestione Efficiente degli Impianti: I sensori possono controllare i sistemi di riscaldamento, ventilazione e condizionamento dell'aria (HVAC) basandosi su dati in tempo reale, riducendo il consumo energetico non necessario.
3. Miglioramento dei Processi di Produzione: Monitorare le condizioni delle attrezzature in tempo reale aiuta a ottimizzare i processi produttivi, riducendo gli sprechi energetici associati ai tempi di inattività delle macchine o a prestazioni subottimali.

Benefici Economici​

1. Riduzione dei Costi Operativi: La gestione efficiente del consumo energetico e delle prestazioni delle macchine porta a significative riduzioni dei costi operativi.
2. Aumento dell'Efficienza Produttiva: Il monitoraggio e l'ottimizzazione in tempo reale migliorano l'efficienza produttiva, portando a una maggiore produzione e a una riduzione degli sprechi.
3. Manutenzione Predittiva: I dati raccolti dai sensori IoT consentono la manutenzione predittiva, riducendo i tempi di inattività e prolungando la vita delle macchine, con conseguenti risparmi sui costi di riparazione e sostituzione.

Machine Learning (ML) nella Produzione​

Definizione e Funzionamento​

Il Machine Learning è una branca dell'intelligenza artificiale che utilizza algoritmi per analizzare grandi quantità di dati e fare previsioni o decisioni intelligenti. Nella produzione, ML può analizzare i dati provenienti dai dispositivi IoT per identificare modelli, prevedere tendenze e ottimizzare i processi.

Benefici Energetici​

1. Gestione Predittiva dell'Energia: Gli algoritmi di ML possono analizzare dati storici e in tempo reale per prevedere i futuri bisogni energetici, permettendo una gestione più precisa dell'energia e riducendo il consumo complessivo.
2. Ottimizzazione dei Programmi di Produzione: ML può ottimizzare i programmi di produzione basandosi sull'analisi dei dati, migliorando l'utilizzo dell'energia e riducendo la domanda di picco.

Benefici Economici​

1. Ottimizzazione dei Processi: ML aiuta a identificare i processi produttivi più efficienti, portando a risparmi sui costi e a un aumento della produttività.
2. Previsione della Domanda: Gli algoritmi di ML possono prevedere con maggiore accuratezza la domanda di mercato, permettendo una migliore pianificazione dell'inventario e della produzione, riducendo l'eccesso di scorte e i costi associati.
3. Miglioramento della Qualità: ML può analizzare i dati per identificare precocemente problemi di qualità nel processo produttivo, riducendo i difetti e gli sprechi, e migliorando la qualità complessiva del prodotto.

Caso di Studio: Implementazione in un'Azienda di Produzione di Infissi, Porte e Finestre​

Consideriamo un'azienda di produzione di infissi, porte e finestre che decide di adottare le soluzioni IoT e ML di Mative Srl. Le nostre analisi previsionali dopo un anno dall'implementazione e dall'adozione delle nostre tecnologie, mostrano i seguenti benefici:

1. Riduzione del Consumo Energetico del 20%: Grazie all'ottimizzazione dell'uso delle macchine e alla gestione efficiente degli impianti basata su dati in tempo reale.
2. Diminuzione dei Costi Operativi del 15%: Per effetto di una maggiore efficienza produttiva e della riduzione degli sprechi.
3. Miglioramento dell'Efficienza Produttiva del 25%: Risultante dall'ottimizzazione dei processi produttivi e dall'utilizzo migliore delle risorse.
4. Risparmio sui Costi di Manutenzione del 10%: Grazie alla manutenzione predittiva e alla prolungata vita delle macchine.

Conclusione​

L'adozione delle tecnologie IoT e ML proposte da Mative Srl rappresenta un avanzamento significativo per le aziende di produzione di infissi, porte e finestre. I benefici derivanti dall'implementazione di queste tecnologie non solo contribuiscono all'efficienza energetica ed economica, ma aumentano anche la competitività e la redditività dell'azienda, posizionandola per affrontare efficacemente le sfide future del settore.

[Top]

Introduzione​

L'innovazione tecnologica è fondamentale per migliorare l'efficienza e la sostenibilità delle aziende di trasporti pubblici. Mative, leader nella fornitura di soluzioni tecnologiche avanzate, offre servizi di Internet of Things (IoT) e Machine Learning (ML) capaci di rivoluzionare le operazioni nel settore dei trasporti pubblici. Questa relazione esplora i benefici energetici ed economici derivanti dall'adozione di queste tecnologie in un'azienda di trasporti pubblici.

Internet of Things (IoT) nei Trasporti Pubblici​

Definizione e Funzionamento​

L'IoT consiste nell'interconnessione di dispositivi intelligenti tramite internet, capaci di raccogliere, scambiare e analizzare dati in tempo reale. Nei trasporti pubblici, i sensori IoT possono monitorare vari parametri come il consumo di carburante, le condizioni dei veicoli, il traffico e i percorsi dei mezzi.

Benefici Energetici​

1. Ottimizzazione del Consumo di Carburante: Sensori IoT possono monitorare il consumo di carburante in tempo reale, suggerendo percorsi e pratiche di guida più efficienti.
2. Manutenzione Preventiva: I dati raccolti dai sensori aiutano a identificare problemi meccanici prima che diventino gravi, riducendo i consumi energetici dovuti a inefficienze.
3. Gestione Intelligente dei Percorsi: Monitorando il traffico in tempo reale, i sistemi IoT possono suggerire deviazioni per evitare ingorghi, riducendo i tempi di percorrenza e il consumo energetico.

Benefici Economici​

1. Riduzione dei Costi Operativi: L'ottimizzazione del consumo di carburante e la manutenzione preventiva riducono significativamente i costi operativi.
2. Aumento dell'Efficienza dei Mezzi: La gestione intelligente dei percorsi e delle condizioni dei veicoli migliora l'efficienza dei mezzi, riducendo i costi di esercizio.
3. Miglioramento della Qualità del Servizio: Monitorare le condizioni dei veicoli e i percorsi in tempo reale consente di offrire un servizio più affidabile e puntuale, aumentando la soddisfazione dei clienti.

Machine Learning (ML) nei Trasporti Pubblici​

Definizione e Funzionamento​

Il Machine Learning è una branca dell'intelligenza artificiale che utilizza algoritmi per analizzare grandi quantità di dati e fare previsioni o decisioni intelligenti. Nei trasporti pubblici, ML può essere utilizzato per analizzare i dati raccolti dai dispositivi IoT, identificando modelli e tendenze.

Benefici Energetici​

1. Previsioni dei Consumi di Carburante: Algoritmi di ML possono analizzare dati storici e attuali per prevedere i consumi di carburante futuri, aiutando a pianificare meglio l'uso delle risorse.
2. Ottimizzazione dei Percorsi: ML può suggerire percorsi alternativi basati su dati di traffico e consumo energetico, riducendo il tempo di percorrenza e l'uso di carburante.

Benefici Economici​

1. Gestione delle Risorse: L'analisi predittiva dei dati permette di utilizzare in modo più efficiente le risorse, riducendo gli sprechi e ottimizzando i costi.
2. Pianificazione del Servizio: ML può aiutare a prevedere le domande di servizio e a ottimizzare la pianificazione dei percorsi e delle frequenze, migliorando l'efficienza operativa.
3. Ottimizzazione della Manutenzione: L'analisi dei dati dei veicoli permette di programmare la manutenzione in modo più efficiente, riducendo i tempi di inattività e i costi di riparazione.

Caso di Studio: Implementazione in Azienda di Trasporti Pubblici​

Consideriamo un'azienda di trasporti pubblici che decide di adottare le soluzioni IoT e ML di Mative Srl. Le nostre analisi previsionali dopo un anno dall'implementazione e dall'adozione delle nostre tecnologie, mostrano i seguenti benefici:

1. Riduzione del Consumo di Carburante del 15%: Grazie all'ottimizzazione dei percorsi e delle pratiche di guida basate sui dati in tempo reale.
2. Diminuzione dei Costi Operativi del 20%: Attraverso una gestione più efficiente delle risorse e la manutenzione preventiva dei veicoli.
3. Aumento della Puntualità del Servizio del 25%: Dovuto alla gestione intelligente dei percorsi e al monitoraggio continuo delle condizioni del traffico.
4. Risparmio sui Costi di Manutenzione del 10%: Grazie alla manutenzione predittiva e all'analisi dei dati dei veicoli.

Conclusione​

L'adozione delle tecnologie IoT e ML proposte da Mative Srl rappresenta una svolta significativa per le aziende di trasporti pubblici che desiderano migliorare la loro efficienza energetica ed economica. I benefici derivanti dall'implementazione di queste tecnologie non solo contribuiscono alla sostenibilità ambientale, ma aumentano anche la competitività e la redditività delle aziende di trasporti pubblici, posizionandole al meglio per affrontare le sfide future del settore.

Cos'è il sistema CAN BUS?​

In un sistema CAN BUS automobilistico, le unità di controllo elettroniche (ECU) possono essere, ad esempio, il controllo del motore, gli airbag, il sistema audio, ecc. Un'auto moderna può avere fino a 70 ECU - e ciascuna di esse può contenere informazioni che necessitano di essere condivisi con altre parti della rete.

Ecco dove entra in gioco lo standard CAN:​

Il sistema CAN BUS consente a ciascuna ECU di comunicare con tutte le altre ECU, senza complessi cablaggi dedicati. Nello specifico, una ECU può preparare e trasmettere informazioni (come i dati dei sensori) tramite il CAN BUS (composto da due fili, CAN low e CAN high). I dati trasmessi vengono accettati da tutte le altre ECU della rete CAN e ciascuna di esse può quindi verificare i dati e decidere se riceverli o ignorarli.

Livello fisico e livello di collegamento dati del CAN BUS (OSI)​

In termini più tecnici, la rete di controllo d'area è descritta da uno strato di collegamento dati e uno strato fisico. Nel caso del CAN ad alta velocità, la norma ISO 11898-1 descrive il livello di collegamento dati, mentre la norma ISO 11898-2 descrive il livello fisico. Il ruolo del CAN è spesso presentato nel modello OSI a 7 livelli come illustrato.

Il livello fisico del CAN BUS definisce elementi come i tipi di cavo, i livelli del segnale elettrico, i requisiti del nodo, l'impedenza del cavo, ecc. Ad esempio, ISO 11898-2 standardizza una serie di aspetti, tra cui quanto segue:

• Baud rate: i nodi CAN devono essere collegati tramite un bus a due fili con velocità di trasmissione fino a 1 Mbit/s (CAN classico) o 5 Mbit/s (CAN FD).
• Lunghezza cavo: la lunghezza massima del cavo CAN deve essere compresa tra 500 metri (125 kbit/s) e 40 metri (1 Mbit/s).
• Terminazione: il BUS CAN deve essere terminato correttamente utilizzando un resistore di terminazione del bus CAN da 120 ohm su ciascuna estremità del bus.

CAN ad alta velocità, CAN a bassa velocità, LIN BUS,...​

Nel contesto delle reti di veicoli automobilistici, è probabile che si incontrino vari tipi di reti. Di seguito forniamo una breve panoramica:

CAN BUS ad alta velocità: il focus di questo articolo è sul CAN BUS ad alta velocità (ISO 11898). È di gran lunga lo standard CAN più popolare per il livello fisico, supporta velocità di trasmissione da 40 kbit/s a 1 Mbit/s (CAN classico). Fornisce un cablaggio semplice e viene utilizzato praticamente in tutte le moderne applicazioni automobilistiche. Serve anche come base per diversi protocolli di livello superiore come OBD2, J1939, NMEA 2000, CANopen, ecc. La seconda generazione di CAN si chiama CAN FD (Flexible Data Rate).

CAN BUS a bassa velocità: Questo standard consente velocità di trasmissione da 40 kbit/s a 125 kbit/s e consente la comunicazione del CAN BUS anche se c'è un guasto su uno dei due fili - per questo viene anche chiamato 'CAN BUS tollerante agli errori'. In questo sistema, ogni nodo CAN ha la sua terminazione CAN.

LIN BUS: Il LIN BUS è un supplemento a basso costo alle reti CAN BUS, con meno cablaggi e nodi più economici. I cluster LIN BUS sono tipicamente costituiti da un master LIN che funge da gateway e fino a 16 nodi slave. I casi d'uso tipici includono funzioni non critiche del veicolo come l'aria condizionata, la funzionalità delle porte, ecc. - per i dettagli vedere la nostra introduzione a LIN BUS o l'articolo sul data logger LIN BUS.

Ethernet automobilistico: viene introdotto sempre più spesso nel settore automobilistico per supportare i requisiti di banda larga dei sistemi avanzati di assistenza alla guida (ADAS), sistemi di infotainment, telecamere, ecc. Ethernet automobilistico offre velocità di trasferimento dati molto più elevate rispetto a CAN BUS, ma manca di alcune delle caratteristiche di sicurezza/prestazioni del CAN classico e del CAN FD. Molto probabilmente, nei prossimi anni, sia Automotive Ethernet che CAN FD e CAN XL verranno utilizzati nello sviluppo automobilistico e industriale.

I 4 principali vantaggi del CAN BUS​

Lo standard CAN BUS viene utilizzato praticamente in tutti i veicoli e in molte macchine grazie ai seguenti vantaggi chiave:

La storia del CAN BUS in breve

Pre-CAN: le centraline elettroniche delle auto si basavano su complessi cablaggi punto-punto.

• 1986: Bosch sviluppa il protocollo CAN come soluzione.
• 1991: Bosch rilascia CAN 2.0 (CAN 2.0A: 11 bit, 2.0B: 29 bit).
• 1993: Il CAN viene adottato come standard internazionale (ISO 11898).
• 2003: ISO 11898 diventa una serie standard.
• 2012: Bosch ha rilasciato CAN FD 1.0 (Flexible Data Rate).
• 2015: Il protocollo CAN FD viene standardizzato (ISO 11898-1).
• 2016: il livello fisico CAN per velocità dati fino a 5 Mbit/s viene standardizzato nella norma ISO 11898-2.

Oggi, CAN è uno standard nelle automobili (automobili, camion, autobus, trattori, ...), navi, aeroplani, batterie per veicoli elettrici, macchinari e altro ancora.

Il futuro del CAN BUS​

Guardando al futuro, il protocollo CAN BUS rimarrà rilevante, anche se sarà influenzato da tendenze significative:

La necessità di funzionalità del veicolo sempre più avanzate. L’ascesa del cloud computing. Crescita dell’Internet delle cose (IoT) e dei veicoli connessi. L'impatto dei veicoli autonomi. L'uso dell'intelligenza artificiale nell'analisi dei dati (vedi ad esempio la nostra introduzione a ChatGPT + CAN BUS).

In particolare, l’aumento dei veicoli connessi (V2X) e del cloud porterà a una rapida crescita della telemetria dei veicoli e dei data logger IoT CAN BUS.

La crescita della CAN FD​

Con l'ampliamento delle funzionalità del veicolo aumenta anche il carico sul CAN BUS. Per supportare ciò, CAN FD (Flexible Data Rate) è stato progettato come la "prossima generazione" del CAN BUS.

In particolare, il CAN FD offre tre vantaggi (rispetto al CAN Classico):

• Consente velocità di trasferimento dati fino a 8 Mbit/s (rispetto a 1 Mbit/s).
• Consente payload di dati fino a 64 byte (rispetto a 8 byte).
• Fornisce una maggiore sicurezza attraverso l'autenticazione.

In breve, CAN FD aumenta la velocità e l'efficienza e viene quindi implementato nei veicoli più recenti. Ciò aumenterà anche la necessità di registratori di dati IoT CAN FD.

"I primi veicoli che utilizzano CAN FD appariranno nel 2019/2020 e CAN FD sostituirà gradualmente il CAN classico."

CAN in Automation (CiA), "CAN 2020: Il futuro della tecnologia CAN" -Saperne di più-

Cos'è un frame CAN?​

La comunicazione tramite CAN BUS avviene tramite frame CAN.

Di seguito è riportato un frame CAN standard con un identificatore a 11 bit (CAN 2.0A), che è il tipo utilizzato nella maggior parte delle auto. Il frame esteso con identificatore a 29 bit (CAN 2.0B) è identico tranne che per l'ID più lungo. Viene utilizzato ad esempio nel protocollo J1939 per i veicoli pesanti.

Tieni presente che l'ID CAN e i dati sono evidenziati: questi sono importanti quando si registrano i dati CAN BUS, come vedremo di seguito.

Il campo del messaggio del protocollo CAN Bus​

• SOF: L'inizio del frame è uno 'dominante 0' per informare gli altri nodi che un nodo CAN intende parlare.
• ID: L'ID è l'identificatore del frame - i valori più bassi hanno una priorità più alta.
• RTR: La richiesta di trasmissione remota indica se un nodo sta inviando dati o richiedendo dati dedicati da un altro nodo.
• Control: il controllo contiene il bit di estensione dell'identificatore (IDE) che è uno "0 dominante" per 11 bit. Contiene inoltre il codice di lunghezza dei dati come valore a 4 bit (DLC) che specifica la lunghezza dei byte di dati da trasmettere (da 0 a 8 byte).
• Dati: i dati contengono i byte di dati, ovvero il carico utile, che include i segnali CAN che possono essere estratti e decodificati per ottenere informazioni.
• CRC: il controllo di ridondanza ciclico viene utilizzato per garantire l'integrità dei dati.
• ACK: Lo slot ACK indica se il nodo ha ricevuto e riconosciuto correttamente i dati.
• EOF: EOF segna la fine del frame CAN.

Errori CAN-BUS​

Il frame CAN deve soddisfare una serie di proprietà per essere valido. Se viene trasmesso un frame CAN errato, i nodi CAN lo rileveranno automaticamente e prenderanno le misure necessarie. Questa è definita come gestione degli errori CAN BUS, in cui i nodi CAN tengono traccia dei propri "contatori di errori CAN" e cambiano stato (attivo, passivo, bus spento) a seconda dei loro contatori. La capacità dei nodi CAN problematici di trasmettere dati viene quindi ridotta in modo delicato per evitare ulteriori errori CAN BUS e inceppamenti del bus. Per i dettagli, vedere la nostra introduzione alla gestione degli errori CAN BUS.

Registrazione dati CAN: casi d'uso illustrativi​

Esistono diversi casi d'uso comuni per la registrazione dei dati CAN BUS:

Come registrare i dati CAN BUS

Come accennato, due campi CAN sono importanti per la registrazione CAN: L'ID CAN e i dati.

Per registrare i dati CAN è necessario un logger CAN. Ciò consente la registrazione dei dati CAN con timestamp su una scheda SD. In alcuni casi è necessaria un'interfaccia CAN per trasmettere i dati a un PC, ad es. per hacking automobilistico.

Collegamento al CAN BUS​

Il primo passo è collegare il logger CAN al CAN BUS. In genere, ciò comporta l'utilizzo di un cavo adattatore:

• Auto: Nella maggior parte delle auto, per la connessione è sufficiente utilizzare semplicemente un adattatore OBD2. Nella maggior parte delle auto, ciò consentirà di registrare dati CAN grezzi, nonché di eseguire richieste di registrazione di dati OBD2 o UDS (Unified Diagnostic Services).
• Veicoli pesanti: per registrare i dati J1939 da camion, escavatori, trattori, ecc., è possibile connettersi al CAN BUS J1939 tramite un cavo connettore J1939 standard (deutsch a 9 pin).
• Marittima: la maggior parte delle navi/imbarcazioni utilizza il protocollo NMEA 2000 e consente la connessione tramite un adattatore M12 per registrare i dati marini.
• CANopen: Per la registrazione CANopen è spesso possibile utilizzare direttamente il connettore CiA 303-1 DB9 (ovvero il connettore predefinito per i nostri data logger CAN), opzionalmente con un'estensione CAN BUS.
• Senza contatto: se non è disponibile alcun connettore, una soluzione tipica è utilizzare un lettore CAN senza contatto, ad es. il coccodrillo CAN. Ciò consente di registrare i dati direttamente dal cablaggio a doppino intrecciato CAN grezzo, senza connessione diretta al CAN BUS (spesso utile a fini di garanzia).
• Altro: In pratica vengono utilizzati innumerevoli altri connettori e spesso è necessario creare un adattatore CAN BUS personalizzato: in questo caso è utile un adattatore generico a filo aperto.

Una volta identificato il connettore corretto e verificato il pin-out, è possibile collegare il logger CAN per avviare la registrazione dei dati. Per CANedge/CLX000, la velocità di trasmissione CAN viene rilevata automaticamente e il dispositivo inizierà immediatamente a registrare i dati CAN grezzi.

Esempio: campione di dati CAN grezzi (J1939)

Facoltativamente è possibile scaricare campioni di dati OBD2 e J1939 da CANedge2 nei nostri documenti introduttivi. È possibile caricare ad esempio questi dati negli strumenti software di decodifica CAN BUS gratuiti.

I dati CANedge vengono registrati nel popolare formato binario MF4 e possono essere convertiti in qualsiasi formato di file utilizzando i nostri semplici convertitori MF4 (ad esempio in CSV, ASC, TRC, ...).

Di seguito è riportato un esempio CSV di frame CAN grezzi registrati da un camion pesante utilizzando il protocollo J1939. Tieni presente che gli ID CAN e i byte di dati sono in formato esadecimale:

Esempio: logger CAN BUS CANedge

CANedge1 consente di registrare facilmente i dati da qualsiasi CAN BUS su una scheda SD da 8-32 GB. Basta collegarlo ad es. un'auto o un camion per iniziare a registrare e decodificare i dati utilizzando software/API gratuiti.

Inoltre, CANedge2 (WiFi) e CANedge3 (3G/4G) ti consentono di inviare i dati al tuo server e aggiornare i dispositivi via etere. -Scopri di più sul CANedge-

Come decodificare i dati CAN grezzi in "valori fisici"​

Se esamini il campione di dati CAN grezzi sopra, probabilmente noterai qualcosa:

I dati CAN grezzi non sono leggibili dagli esseri umani.

Per interpretarlo, è necessario decodificare i frame CAN in valori ingegneristici in scala, ovvero valori fisici (km/h, °C, ...).

Di seguito mostriamo passo passo come funziona:

Estrazione di segnali CAN da frame CAN grezzi

Ogni frame CAN sul bus contiene un numero di segnali CAN (parametri) all'interno dei byte di dati CAN. Ad esempio, un frame CAN con un ID CAN specifico può trasportare dati per es. 2 segnali CAN.

Per estrarre il valore fisico di un segnale CAN, sono necessarie le seguenti informazioni:

• Bit di avvio: a quale bit inizia il segnale.
• Lunghezza in bit: la lunghezza del segnale in bit.
• Offset: Valore per compensare il valore del segnale.
• Scala: Valore per moltiplicare il valore del segnale.

Per estrarre un segnale CAN, "taglia" i bit rilevanti, prendi il valore decimale ed esegui un ridimensionamento lineare:

valore_fisico = offset + scala * valore_decimale_grezzo

La sfida dei dati CAN proprietari

Molto spesso le "regole di decodifica CAN" sono proprietarie e non facilmente disponibili (ad eccezione dell'OEM, ovvero del produttore originale). Esistono diverse soluzioni a questo problema quando non sei l'OEM:

• Registra dati J1939: se stai registrando dati grezzi da veicoli pesanti (camion, trattori, ...), probabilmente stai registrando dati J1939. Questo è standardizzato per tutti i marchi e puoi utilizzare il nostro file DBC J1939 per decodificare i dati. Consulta anche la nostra introduzione al data logger J1939.
• Registra dati OBD2/UDS: se devi registrare dati dalle auto, puoi richiedere i dati OBD2/UDS, che è un protocollo standardizzato per tutte le auto. Per i dettagli consultare la nostra introduzione al registratore dati OBD2 e il nostro file DBC OBD2 gratuito.
• Utilizza file DBC pubblici: per le auto, esistono database online in cui altri hanno decodificato alcuni dati CAN proprietari. Manteniamo un elenco di tali database nella nostra introduzione al file DBC.
• Reverse engineering dei dati: puoi anche provare a decodificare i dati da solo utilizzando uno sniffer CAN BUS, anche se può essere laborioso e impegnativo.
• Utilizza moduli sensore: in alcuni casi, potrebbero essere necessari dati del sensore che non sono disponibili sul CAN BUS (o sono difficili da decodificare). Qui è possibile utilizzare moduli sensore CAN come la serie CANmod. Puoi integrare tali moduli con il tuo CAN BUS o usarli come componenti aggiuntivi al tuo registratore CAN per aggiungere dati come GNSS/IMU o dati sulla temperatura.
• Collabora con l'OEM: in alcuni casi, puoi anche collaborare con l'OEM per ottenere regole di decodifica proprietarie. Ciò potrebbe essere necessario per ottimizzare i parametri di controllo del veicolo o per il debug/diagnostica.

Decodifica CAN in tempo reale​

Il nostro sito supporta la decodifica dei frame CAN in tempo reale per la diagnosi/risoluzione dei problemi o il monitoraggio del veicolo in tempo reale. Siamo specializzati nella decodifica:

• OBD2: incluso il supporto per PID OBD2 e tutti i PID standard SAE J1979.
• J1939: supporto per parametri J1939 standard inclusi PGN J1939, SPN, ecc.
• NMEA 2000: supporto per dati NMEA 2000 standard, inclusi messaggi PGN NMEA 2000.

Il nostro software di monitoraggio della flotta è progettato per supportare l'analisi dei dati CAN BUS in tempo reale in un'ampia gamma di settori e casi d'uso, come:

• Diagnostica remota: monitora i dati CAN BUS in tempo reale per identificare i problemi del veicolo, ad es. nel campo di un'auto rotta.
• Sicurezza del veicolo: monitora i dati CAN BUS in tempo reale per identificare situazioni di guida pericolose (ad esempio il comportamento del conducente) o veicoli malfunzionanti.
• Distribuzione autonoma: monitorare i dati CAN BUS in tempo reale per monitorare i veicoli autonomi (ad esempio droni, robot) e garantire che funzionino correttamente.
• Flotta: monitora i dati CAN BUS in tempo reale per la manutenzione predittiva della flotta e ottimizza i tempi di fermo del veicolo.
• Tracciamento del carico: monitora i dati CAN BUS in tempo reale per tracciare la posizione e le condizioni del carico in transito.

Inoltre, supportiamo un'ampia gamma di hardware per l'acquisizione di dati CAN BUS in tempo reale, come ad esempio:

• Interfacce OBD2: supporto per interfacce OBD2 standard e avanzate per acquisire dati in tempo reale direttamente dall'ECU.
• Gateway OBD2: supporto per gateway OBD2 per acquisire e trasmettere dati CAN BUS in tempo reale a una piattaforma di monitoraggio remoto.
• Interfacce J1939: supporto per interfacce J1939 per acquisire dati in tempo reale direttamente dall'ECU.
• Gateway J1939: supporto per gateway J1939 per acquisire e trasmettere dati CAN BUS in tempo reale a una piattaforma di monitoraggio remoto.
• Interfacce NMEA 2000: supporto per interfacce NMEA 2000 per acquisire dati in tempo reale direttamente dal BUS NMEA 2000.
• Gateway NMEA 2000: supporto per gateway NMEA 2000 per acquisire e trasmettere dati CAN BUS in tempo reale.

[Top]

Mative impiega questi algoritmi predittivi sui propri dati time series. Qui in basso una breve descrizione di come funzionano un accenno su come possono essere utilizzati.

Linear Regression​

La regressione lineare è un metodo statistico che modella la relazione tra una variabile dipendente (target) e una o più variabili indipendenti (predittori) tramite una linea retta. La formula è:

y = \beta_0 + \beta_1x_1 + \beta_2x_2 + \ldots + \beta_nx_n + \epsilon

Dove:

• y è la variabile dipendente.
• x_i sono le variabili indipendenti.
• \beta_i sono i coefficienti che rappresentano l'impatto di ogni variabile indipendente.
• \epsilon è l'errore residuo.

OLS Linear Regression​

La regressione lineare OLS (Ordinary Least Squares) è una specifica forma di regressione lineare che minimizza la somma dei quadrati delle differenze tra i valori osservati e i valori predetti. In pratica, si cerca la linea di miglior fit che minimizza l'errore quadratico medio:

 \text{Minimize} \sum (y_i - \hat{y}_i)^2 

Dove:

• y_i sono i valori osservati.
• \hat{y}_i sono i valori predetti.

ARIMA​

ARIMA (AutoRegressive Integrated Moving Average) è un modello utilizzato per l'analisi delle serie temporali, che combina tre componenti:

1. AutoRegressive (AR): il modello utilizza valori passati per predire valori futuri.
2. Integrated (I): differenzia i dati per renderli stazionari.
3. Moving Average (MA): utilizza errori passati nella previsione di valori futuri.

Il modello è spesso scritto come ARIMA(p, d, q), dove:

• p è l'ordine del termine autoregressivo.
• d è il numero di differenze necessarie per rendere la serie stazionaria.
• q è l'ordine del termine della media mobile.

Fourier Transformation​

La trasformata di Fourier è un metodo matematico per trasformare una funzione da dominio del tempo a dominio della frequenza. Viene utilizzata per analizzare le componenti frequenziali dei segnali. Nel contesto delle serie temporali, può essere usata per identificare cicli o pattern periodici:

 F(k) = \sum_{n=0}^{N-1} x(n) e^{-2\pi i \frac{kn}{N}} 

Dove:

• x(n) è il segnale nel dominio del tempo.
• F(k) è la rappresentazione nel dominio della frequenza.
• N è il numero di campioni.
• i è l'unità immaginaria.

[Top]