📊 Robot Efficiency Analytics Suite

Piattaforma di analisi predittiva per celle robotiche ABB - Industry 4.0

Panoramica

Sistema completo di monitoraggio OEE (Overall Equipment Effectiveness) con anomaly detection, predictive maintenance e dashboard automatiche. Trasforma dati grezzi di produzione in insight actionable per la manutenzione proattiva.

Architettura

┌─────────────────┐ ┌──────────────────┐ ┌─────────────────┐ │ Input Dati │────▶│ Analytics Engine │────▶│ Dashboard HTML │ │ (CSV/API/DB) │ │ (Pandas/Scikit) │ │ (Statica) │ └─────────────────┘ └──────────────────┘ └─────────────────┘ │ ▼ ┌──────────────────┐ │ Alert System │ │ + Predictions │ └──────────────────┘

Funzionalità

🔍 Analisi Descrittiva

• OEE calcolato con formula completa: Disponibilità × Performance × Qualità
• Benchmark comparativo multi-robot
• Trend temporali con medie mobili

⚠️ Anomaly Detection

• Soglie dinamiche per temperatura motore (>60°C warning, >70°C critical)
• Pattern errori collisione anomali
• Degradazione efficienza sotto 75%

🔮 Predictive Maintenance

• Regressione trend efficienza ultimi 7 giorni
• Predizione giorni rimanenti alla soglia critica (60% OEE)
• Prioritizzazione interventi

📈 Visualizzazione

• Heatmap correlazioni (temperatura vs errori vs efficienza)

• Scatter plot efficienza vs consumo energetico

• Forecast manutenzione con color coding

  Utilizzo

1. Genera dati demo (per test)

python efficiency_analytics.py

2. Usa dati reali (vedi sezione sotto) Modifica la fonte dati in main():

Python

Opzione A: Da CSV

df = pd.read_csv('dati_realiproduzione.csv')

Opzione B: Da API SCADA

df = fetch_scada_data(start_date, end_date)

Rinomina colonne se necessario

df = df.rename(columns={
    'Robot': 'robot_id',
    'DataOra': 'data',
    'Pezzi': 'pezzi_prodotti',
    'FermoMin': 'tempo_fermo_minuti',
    'TempMot': 'temperatura_motore_c'
    # ... altre colonne
})

Output

oee_trend.png Grafico Andamento OEE 30 giorni per robot
efficiency_comparison.png Grafico Benchmark KPI multi-metrica
correlation_heatmap.png Grafico Matrice correlazioni
maintenance_forecast.png Grafico Timeline predittiva manutenzione
report.html Dashboard Report interattivo completo
robot_data.csv Dataset Dati processati esportati

Struttura Dati Richiesta

Per utilizzare dati reali, il sistema si aspetta un DataFrame pandas con queste colonne:

Colonna	Tipo	Descrizione	Esempio
robot_id	string	Identificativo univoco robot	"ABB_001"
data	datetime	Timestamp registrazione	"2024-01-15 08:30:00"
pezzi_prodotti	int	Pezzi buoni prodotti nel turno	245
tempo_ciclo_medio	float	Tempo ciclo medio in secondi	28.5
tempo_fermo_minuti	int	Minuti di fermo macchina	15
errori_collisione	int	Numero collisioni rilevate	0
consumo_energia_kwh	float	Energia consumata in kWh	12.5
temperatura_motore_c	float	Temperatura motore °C	58.2
ore_operative	float	Ore turno operative	8.0

Campo calcolato automaticamente: efficienza_oee (se non presente)

Formato File Input

CSV (Raccomandato)

robot_id,data,pezzi_prodotti,tempo_ciclo_medio,tempo_fermo_minuti,errori_collisione,consumo_energia_kwh,temperatura_motore_c,ore_operative 
ABB_001,2024-01-15 06:00:00,180,32.5,20,0,15.2,55.0,8 
ABB_001,2024-01-15 14:00:00,195,30.2,10,1,14.8,58.5,8 
ABB_002,2024-01-15 06:00:00,210,28.0,5,0,13.1,52.0,8 

Integrazione Dati Reali

Estrazione da Controller ABB

RobotStudio: Esportazione log di produzione
OPC UA: Lettura realtime variabili RAPID
FTP dal controller: File di log ciclici

Esempio parsing log ABB reale

def parse_abb_log(file_path):
    """
    Estrae dati da log controller ABB (formato testo)
    """
    records = []
    with open(file_path, 'r') as f:
        for line in f:
            if 'Cycle completed' in line:
                # Parsing linea log
                timestamp = extract_timestamp(line)
                cycle_time = extract_cycle_time(line)
                pieces = extract_piece_count(line)
                
                records.append({
                    'data': timestamp,
                    'tempo_ciclo_medio': cycle_time,
                    'pezzi_prodotti': pieces,
                    # ... altri campi
                })
    return pd.DataFrame(records)

Connessione Database Aziendale

import sqlalchemy

def fetch_from_db(start_date, end_date):
    engine = sqlalchemy.create_engine('postgresql://user:pass@host/db')
    query = f"""
    SELECT robot_id, timestamp as data, 
           pezzi_prodotti, tempo_ciclo, 
           tempi_fermo, errori_count,
           consumo_kw, temp_motore
    FROM produzione.robot_logs
    WHERE timestamp BETWEEN '{start_date}' AND '{end_date}'
    """
    return pd.read_sql(query, engine)

KPI Calcolati

KPI	Formula	Target Industriale
OEE	(TempoProduttivo/TempoDisponibile) × (CicloIdeale/CicloReale) × Qualità	> 85%
Disponibilità	(OreOperative - Fermo) / OreOperative	> 90%
Performance	PezziTeorici / PezziEffettivi	> 95%
Costo/Pezzo	kWhConsumati / PezziProdotti	Minimizzare

Dashboard HTML Il file report.html generato include: ✅ KPI cards aggiornate ✅ Sistema alert visivo ✅ Grafici interattivi (immagini) ✅ Tabelle performance ✅ Predictive maintenance timeline

Installazione

git clone https://github.com/tuousername/robot-efficiency-analytics.git
cd robot-efficiency-analytics
pip install -r requirements.txt