Sviluppo di un ottimizzatore dinamico di assetti per una sala compressori industriale

Sebbene l’aria compressa sia una tecnologia consolidata, la sua produzione non è un processo efficiente, tanto da impattare fino al 10% del consumo di energia elettrica di uno stabilimento industriale che ne fa uso. Oggigiorno, la riduzione dei fabbisogni energetici industriali è un obiettivo per molte aziende. A tale scopo l’ottimizzazione del processo produttivo dell’aria compressa è una delle strade che possono essere intraprese ed è l’ambito all’interno del quale è stata sviluppata la presente tesi che, in collaborazione con Edison Fenice, intende proporre un metodo innovativo di ottimizzazione degli assetti di una sala compressori industriale. Il lavoro svolto prende in esame la sala compressori dello stabilimento FCA di Cassino con l’obiettivo di sviluppare una tecnologia in grado di ottimizzare, tramite machine learning, gli assetti produttivi dei compressori che la compongono, senza prendere in considerazione gli ausiliari a servizio di questa. Ad oggi i compressori sono controllati singolarmente tramite un sistema di supervisione centralizzato. Gli operatori, dopo aver scelto l’assetto da impostare, accendono e spengono le macchine desiderate, regolandole singolarmente sulla pressione di mandata di ogni compressore. Tale strategia di gestione, particolarmente diffusa e utilizzata in ambito industriale, è la più facile da implementare e gestire, ma è poco efficiente dal punto di vista energetico. Nell’ottica dell’ottimizzazione, sono state sviluppate all’interno della tesi due tipologie di gestione che potrebbero essere implementate sulla sala in esame per migliorarne il livello di efficienza: un master statico e un master dinamico. La prima tipologia, già utilizzata nelle sale compressori industriali più avanzate, ma non ancora presente nella sala oggetto di studio, permette di automatizzare la scelta dell’assetto in base ad una tabella precompilata. Questa modalità consente di introdurre un primo livello di efficienza, che sarà tanto maggiore quanto più la tabella verrà compilata con conoscenza dell’effettivo funzionamento dei compressori della sala. Il master statico ha tuttavia delle limitazioni, dovute principalmente all’impossibilità di un PLC (Programmable Logic Controller), su cui viene implementato il sistema, di poter tener conto di variabili di processo particolarmente influenti sul comportamento dei compressori. Per questo motivo, è stata sviluppata una seconda modalità di ottimizzazione, chiamata master dinamico, basata su logiche di machine learning. Il master dinamico sviluppato è in grado di prevedere la portata media richiesta dall’impianto all’inizio di ogni turno produttivo e di restituire l’assetto ottimale che deve essere impostato sulla base delle macchine disponibili, sulle ore di funzionamento, sulle curve reali di ogni compressore a seconda della temperatura media prevista nella giornata. L’assetto così definito viene consigliato all’operatore tramite un interfaccia web disponibile in sala compressori e successivamente impostato tramite sistema di supervisione. Il raggiungimento del livello massimo di ottimizzazione tuttavia può avvenire solo tramite l’automazione del processo di inserimento dell’assetto e controllo dei compressori. In questa tesi si è così cercato di proporre l’architettura del sistema di controllo che dovrebbe essere implementato a tale scopo, concentrandosi particolarmente sulle logiche di funzionamento necessarie per il corretto svolgimento delle sue funzioni.