InesStructureMonitoring
Monitoraggio integrale di strutture e ponti
Dai sensori all’allarme: acquisizione, machine learning e visualizzazione per rilevare anomalie nelle strutture.
Dal sensorealla decisione.
- 01
Sensori
Accelerometri, estensimetri e sonde di temperatura installati sulla struttura.
- 02
Acquisizione nel cloud
I dati vengono acquisiti e archiviati nel cloud, grezzi e compressi, pronti per il riaddestramento.
- 03
Elaborazione del segnale
Filtraggio, decimazione e sincronizzazione dei sensori secondo quanto richiede ogni algoritmo.
- 04
Modelli e OMA
Machine learning addestrato sullo storico e analisi modale operativa automatica.
- 05
Allerta e decisione
Avviso immediato con la sua gravità e tutto il contesto per intervenire.
Monitoraggio e gestione
La nostra soluzione di monitoraggio consente l’acquisizione e l’analisi avanzata dei dati, l’addestramento di modelli di machine learning, la generazione di allarmi per anomalie e la visualizzazione dei risultati, a partire dai sensori installati sulla struttura.
Cosa fa
01Acquisizione dei dati
Collegamento ai sensori della struttura (accelerometri, estensimetri, temperatura…). I dati vengono acquisiti e archiviati nel cloud per l’elaborazione.
02Machine learning avanzato
Modelli addestrati sullo storico apprendono il comportamento normale della struttura e poi rilevano qualsiasi anomalia.
03Generazione di allarmi
Notifica via email di ogni evento anomalo non appena viene rilevato, con la sua gravità in base alla probabilità statistica.
04Visualizzazione dei risultati
Piattaforma con il contesto di ogni risultato: meteo, sensori correlati e le variabili usate dai modelli, come le accelerazioni al passaggio di un treno.
Un sistema che sorveglia da solo
Download, elaborazione dei segnali, esecuzione dei modelli e generazione degli allarmi avvengono automaticamente ogni giorno. Basta guardare quando i modelli considerano anomala una misura. Le notifiche arrivano via email o tramite il servizio di messaggistica richiesto.
Elaborazione dei segnali
- Elaborazione in base alla gamma di frequenze di interesse e alla risoluzione richiesta da ciascun algoritmo (OMA, passaggi di treni…).
- Filtraggio e decimazione per isolare i modi rilevanti per la sicurezza strutturale.
- Sincronizzazione delle onde di più sensori quando il sistema di acquisizione non lo fa nativamente.
OMA automatica
Algoritmo proprietario per il calcolo dei modi di vibrazione senza eccitazione esterna (Operational Modal Analysis). Si adatta a ogni struttura grazie al suo storico per non confondere artefatti matematici con modi reali.
Distribuzione nel cloud
Pensato per essere distribuito nel cloud con facilità: costi inferiori e maggiore affidabilità.
Archiviazione efficiente
Dati grezzi compressi su AWS S3 per riaddestrare i modelli. Segnali e risultati in InfluxDB per rappresentarli subito.
Schermate del prodotto
Dove l'abbiamo applicato
Spagna
Rischio di scalzamento con machine learning
Modelli di machine learning per stimare il rischio di scalzamento dei ponti sui corsi d’acqua.
Vedi il progetto su ines.es
Spagna
Previsione dello stato dei ponti
Machine learning per anticipare lo stato di oltre 25.000 ponti del Ministero dei Trasporti.
Vedi il progetto su ines.es
Spagna
Manutenzione predittiva degli asset ferroviari
Analisi avanzata per ADIF, gestore di oltre 16.000 km di binari convenzionali e ad alta velocità.
Vedi il progetto su ines.es
Vuoi vederloin funzione?
Ti mostriamo Ines StructureMonitoring con dati e casi simili ai tuoi e rispondiamo alle tue domande tecniche.