Un braccio robotico monitorato in tempo reale: sensori Shelly e SMC, MQTT, Node-RED, AWS IoT SiteWise e Greengrass, dashboard e manutenzione predittiva. Ecco come funziona.
Un braccio robotico che lavora in un impianto produce, oltre ai pezzi, una quantità enorme di informazioni: quanta energia consuma in ogni fase del ciclo, con quale pressione lavora il sistema pneumatico, quanto tempo impiega per ogni operazione, quando qualcosa inizia a discostarsi dalla norma. Nel progetto che raccontiamo in questo articolo abbiamo dato al braccio un cervello: un sistema che raccoglie questi dati tramite sensori e tecnologie connesse, li elabora in locale e nel cloud e li restituisce agli operatori sotto forma di dashboard, avvisi e previsioni.
I sensori: energia e aria compressa
Il primo livello è quello fisico. Sensori Shelly misurano i consumi energetici del braccio e delle sue componenti, ciclo dopo ciclo. Un sistema SMC controlla e misura la pressione dell’aria compressa che alimenta gli attuatori pneumatici. Sono componenti industriali affidabili e relativamente economici, che si integrano senza modificare la macchina. In totale il sistema integra oltre 50 sensori, distribuiti tra energia, pressione, stato delle linee e parametri ambientali.
Il trasporto dei dati: MQTT e Node-RED
I dati raccolti viaggiano attraverso MQTT, il protocollo leggero che è diventato lo standard di fatto per l’IoT industriale: pochi byte per messaggio, consegna affidabile, gestione naturale di centinaia di sorgenti. Ogni sensore pubblica le sue misure su un argomento dedicato, e chi deve riceverle si iscrive solo a ciò che gli serve.
A valle di MQTT, i messaggi vengono elaborati in formato JSON con Node-RED, uno strumento low-code che permette di costruire flussi visuali: si collegano blocchi che ricevono, trasformano, filtrano e inoltrano i dati. Con Node-RED normalizziamo unità di misura, aggiungiamo informazioni di contesto (quale macchina, quale linea, quale turno), scartiamo letture anomale e prepariamo i dati per il cloud. Il vantaggio del low-code è che anche i tecnici di impianto possono leggere e modificare i flussi senza scrivere codice.
Il cloud: AWS IoT SiteWise
I dati elaborati vengono inviati ad AWS IoT SiteWise, il servizio di Amazon Web Services dedicato a modellare, raccogliere, archiviare e analizzare i dati degli impianti industriali. In SiteWise il braccio robotico, i suoi sensori e la linea di cui fa parte sono rappresentati come un modello gerarchico: ogni misura ha un posto preciso, ogni metrica calcolata (consumo per ciclo, pressione media per turno, tempo di ciclo) viene aggiornata automaticamente. Lo storico resta disponibile per analisi su settimane e mesi.
L’edge: AWS IoT Greengrass
La trasmissione verso il cloud non avviene in modo diretto, ma attraverso AWS IoT Greengrass, che porta parte dell’elaborazione ai margini della rete, direttamente in stabilimento. È il cosiddetto edge computing: i dati vengono processati e filtrati in locale, le decisioni urgenti vengono prese senza attendere il cloud e la sincronizzazione avviene anche in assenza di una connessione continua. I benefici sono tre:
- Affidabilità: se la connessione cade, il sistema continua a raccogliere e conservare i dati, e li allinea al cloud quando torna disponibile.
- Sicurezza: solo i dati necessari lasciano lo stabilimento, cifrati e con credenziali per dispositivo.
- Velocità di risposta: un’anomalia di pressione o consumo genera un avviso immediato, senza il ritardo di un viaggio di andata e ritorno verso il cloud.
Le dashboard: vedere l’impianto in tempo reale
Tutto questo lavoro serve a un obiettivo semplice: permettere a chi lavora sull’impianto di vedere cosa succede. Le dashboard in tempo reale, personalizzabili e accessibili da qualsiasi dispositivo, mostrano indicatori chiave, trend storici, metriche critiche e avvisi automatici. Gli operatori monitorano lo stato del braccio, rilevano le anomalie in anticipo e analizzano le prestazioni turno per turno. La direzione vede l’andamento dei consumi e dei tempi di ciclo, e può confrontare periodi diversi.
Manutenzione predittiva e risultati
Con uno storico affidabile è possibile fare manutenzione predittiva: una deriva graduale nel consumo energetico o nella pressione di lavoro segnala un componente che si sta usurando prima che si rompa. Intervenire in un momento programmato, invece che dopo un guasto, riduce i fermi macchina e migliora l’efficienza complessiva dell’impianto. L’edge computing garantisce risposte immediate, mentre l’infrastruttura cloud resta scalabile e flessibile: aggiungere un secondo braccio, una nuova linea o un altro stabilimento significa estendere il modello, non ricostruirlo.
Vuoi dare un cervello alle tue macchine?
Se hai macchinari il cui fermo costa caro e vuoi capire cosa raccontano i loro dati, contatta Host Service. Partiamo da un sopralluogo e da un progetto pilota su una singola macchina, con sensori, flussi e una prima dashboard funzionante. Poi cresciamo insieme, una linea alla volta.
