Circuito adattivo a segnale misto per il controllo di processo in tempo reale di macchine per estrusione e taglio della pasta
La pubblicazione presenta un’architettura circuitale a segnale misto (mixed-signal) adattiva per il controllo di processo industriale in tempo reale, implementata come sistema a tre schede, un esempio concreto di sistemi di controllo avanzati applicati alla produzione industriale.
Nello specifico le schede progettate, specificamente per una macchina per l’estrusione e il taglio della pasta, monitorano parametri operativi chiave, come frequenza della taglierina, temperatura, frequenza della pressa e corrente del motore, regolando dinamicamente i comandi in uscita sulla base del feedback fornito in tempo reale dai sensori.
Su questo tema Dyrecta Lab, in qualità di Istituto di ricerca e laboratorio scientifico riconosciuto dal MUR, ha pubblicato lo studio “Adaptive Mixed Signal Circuit Design for Real Time Process Control in Industrial Applications”, realizzato con ZINDO e Cupersafety.
Sistema di controllo adattivo e tre schede CM, PMCM e PMCS interconnesse
Il sistema di controllo adattivo è composto da tre schede elettroniche interconnesse:
- la scheda CM (Control Module) è l’unità master. Si basa su un SoC Sigmastar SSD202D con processore ARM Cortex-A7 dual-core, esegue gli algoritmi adattivi e gestisce le comunicazioni, anche verso il cloud tramite MQTT, secondo i principi dell’Internet of Things applicato all’industria;
- la scheda PMCM misura con precisione la corrente dei motori, per rilevare sovraccarichi o sottocarichi;
- la scheda PMCS è l’unità slave. Condiziona e digitalizza i segnali dei sensori di temperatura, frequenza e corrente, poi li invia alla CM tramite bus RS-485.
La strategia di controllo adattivo a circuito chiuso regola in tempo reale la macchina per la pasta integrando i dati digitalizzati della scheda slave (PMCS) e le misure di corrente (PMCM) nell’unità principale (CM):
- Condizionamento e analisi dei segnali: i segnali pulsanti di taglierina e pressa vengono convertiti in tensioni analogiche stabili, digitalizzati e inviati alla scheda CM per il calcolo delle deviazioni rispetto ai valori target.
- Algoritmi integrati (ARIMA e PID-like): il modello ARIMA analizza i trend e predice il valore successivo per i motori di taglio e pressa; un modello matematico ispirato alla logica PID confronta tale stima con la “ricetta” (set point) impostata.
- Compensazione termica dinamica: monitorando continuamente i sensori PTC, la scheda CM calcola l’offset necessario a compensare le variazioni ambientali e corregge dinamicamente le tensioni di riferimento e i parametri di condizionamento del segnale sulla PMCS, mantenendo la temperatura nell’intervallo ottimale.
- Monitoraggio di corrente e carichi (True RMS): La scheda PMCM misura la corrente a vero valore efficace per intercettare sovraccarichi e sottocarichi. La scheda CM gestisce le anomalie tramite soglie adattive, rimodulando i segnali di controllo generali e gli allarmi senza alterare il guadagno del front-end analogico (gestito direttamente dalla PMCS per preservare l’accuratezza dell’ADC).
Validazione sperimentale
Questi risultati confermano l’efficacia dell’approccio adottato da Dyrecta Lab nell’ambito dell’ingegneria dei processi industriali, applicata in questo caso alla linea di produzione della pasta. I risultati della validazione sperimentale del sistema di controllo a tre schede per la macchina della pasta sono:
- Tempo di risposta rapido: l’anello di controllo ha registrato una latenza di circa 360 ms (inferiore alla soglia di progetto di 400-500 ms) dall’insorgere del disturbo all’applicazione dell’output correttivo sull’inverter.
- Controllo accurato di processo: l’algoritmo adattivo a circuito chiuso (basato su ARIMA e logica PID-like) ha ricondotto e mantenuto le deviazioni dei parametri operativi (frequenza di taglio e pressa, temperatura) entro il 5% dei valori target in pochi cicli.
- Elevata fedeltà del segnale: I circuiti di condizionamento analogico hanno ottenuto un incremento del rapporto segnale-rumore (SNR) di circa 15 dB rispetto ai segnali grezzi dei sensori.
Il lavoro è stato sostenuto dal Programma Operativo Puglia FESR 2014-2020, nell’ambito degli aiuti ai programmi integrati promossi da piccole imprese (codice progetto 0MRP460).
Scopri un altro progetto di ricerca applicata al settore agroalimentare: Trasformazione del pomodoro biologico: IoT e deep learning.
Contattaci per valutare un progetto di ricerca e sviluppo sui processi della tua azienda agroalimentare
Per maggiori informazioni, consulta la pubblicazione scientifica:
https://doi.org/10.1109/ICICDT65192.2025.11077982
