Agritech NewLogo Bianco
Multifunctional and resilient agriculture and forestry systems for the mitigation of climate change risks
TITOLO SOLUZIONEModello basato su machine learning per l'analisi operativa e il monitoraggio delle anomalie nelle macchine agricole
EnteRelatech SpA
Quale bisogno soddisfa

Utilizzo di dati rilevati da GNSS e CANBUS per ottenere informazioni relative all’efficienza delle macchine di lavoro e, in particolare, valutare le prestazioni di una macchina o del personale addetto alla macchina, individuare le fasi di lavoro più critiche o limitanti, considerare l’opportunità di apportare cambiamenti nel lavoro; controllare il rendimento dell'operazione richiesto per l'impiego di nuovo personale; rilevare eventuali anomalie nei parametri operativi delle macchine.

Descrizione

Sviluppo di un modello per l'analisi operativa delle macchine agricole finalizzato a identificare le fasi di lavoro e a rilevare eventuali anomalie, mediante l’elaborazione di serie temporali fornite da un sistema di posizionamento satellitare (GNSS) e da sistemi di monitoraggio dei parametri operativi (e.g., CANBUS). I dati forniti dal GNSS (tempo, latitudine, longitudine) relativi ad una macchina agricola saranno analizzati mediante tecniche di machine learning per individuare i parametri delle diverse fasi di lavoro: tempo effettivo di lavoro (TE), tempi accessori di voltata (TAV), tempi di fermo macchine (TM) e tempi di trasferimento o di trasporto (TI). Tali tempi daranno origine a indici di efficienza del lavoro meccanizzato globale (g), operativo (o) e del cantiere di lavoro (c). Gli indici di efficienza servono a evidenziare errori dovuti a una scelta inadeguata della macchina o a una conduzione errata, a quantificare i vantaggi conseguibili con scelte di attrezzi più razionali e a favorire un uso ottimale delle macchine. Le serie temporali CANBUS, in associazione ai dati GNSS, saranno usate per identificare eventuali comportamenti anomali nei parametri operativi della macchina rispetto alla fase di lavoro in svolgimento. Il rilevamento delle anomalie sarà basato sull’uso di reti neurali artificiali, allenate su dati di training acquisiti sperimentalmente e valutate su dati anomali generati mediante Large Language Models (LLMs).

Task n.4.2.3
Titolo Task

Big data analysis and decision support systems for the climate adaptation of agriculture and forestry

Docente di riferimentoPaolo
Trunfio
EmailEmail nascosta; è necessario JavaScript.
Target

L’applicazione è destinata a tutti gli utenti di trattori e macchine agricole equipaggiate con un GNSS per la guida semi-automatica o dotate di una connessione ISOBUS. In particolare per aziende agricole, imprese di meccanizzazione, rivenditori o concessionari per conoscere l’efficienza delle loro macchine e rilevare eventuali anomalie operative.

Abstract della soluzioneAbstract della soluzione
Gruppo di lavoro con tutti i ricercatori ed enti coinvoltiSpoke 4
Docente di rifermentoLuigi
Sartori
EnteUniversità degli Studi di Padova – Dipartimento Territorio e Sistemi Agro-Forestali
EmailEmail nascosta; è necessario JavaScript.
Docente di riferimentoFabrizio
Mazzetto
EnteLibera Università di Bolzano – Facoltà di Scienze agrarie, ambientali e alimentari
EmailEmail nascosta; è necessario JavaScript.
NomePaolo
CognomeLindia
EmailEmail nascosta; è necessario JavaScript.
EnteRelatech SpA & Università della Calabria – Dipartimento di Ingegneria Informatica, Modellistica, Elettronica e Sistemistica
Nome (2)Francesco
Cognome (2)Bettucci
Email (5)Email nascosta; è necessario JavaScript.
Ente (5)Università degli Studi di Padova – Dipartimento Territorio e Sistemi Agro-Forestali
Nome (3)Erika
Cognome (3)De Francesco
Email (6)Email nascosta; è necessario JavaScript.
Ente (6)Relatech SpA
Nome (4)Angelo
Cognome (4)Aloia
Email (7)Email nascosta; è necessario JavaScript.
Ente (7)Relatech SpA
Nome (5)Davide
Cognome (5)Albo
Email (8)Email nascosta; è necessario JavaScript.
Ente (8)Relatech SpA
Task leaderLuigi Sartori, Fabrizio Mazzetto
WP leaderMaurizio Borin, Paolo Tarolli
TRL iniziale2
TRL attuale4
TRL finale6