Il 10 luglio 2025, Teoresi MedTech presenterà alla conferenza internazionale IEEE SAS – Sensors Applications Symposium un paper sul progetto SPS (Smart Predictive System), una soluzione innovativa per la manutenzione predittiva di motori elettrici in contesti produttivi. Il sistema si basa su nodi sensoriali IoT autosufficienti e su un algoritmo di apprendimento non supervisionato per il rilevamento automatico delle condizioni operative e l’identificazione precoce di anomalie. Il lavoro sarà presentato da Antonio Cancilla (Teoresi MedTech), co-autore insieme a Guido Comai (Teoresi MedTech) e Tommaso Polonelli (ETH Zürich).
Nel contesto della transizione verso modelli produttivi intelligenti e sostenibili, Teoresi MedTech si distingue per la proposta di soluzioni avanzate nel campo della manutenzione predittiva per motori elettrici specificamente pensata per l’industria manifatturiera e l’automazione dei processi. Il progetto SPS integra sensoristica wireless autosufficiente, algoritmi di machine learning e architetture software scalabili, con l’obiettivo di ridurre costi operativi e downtime non pianificati.
L’intervento di Antonio Cancilla a IEEE SAS 2025 che si svolgerà a Newcastle upon Tyne (UK), rientra nel programma scientifico della conferenza e approfondirà un approccio basato su:
- Sensori wireless autoalimentati, progettati per l’installazione retrofit su motori esistenti, grazie a un sistema di energy harvesting termoelettrico;
- Un algoritmo di clustering Incremental DBSCAN capace di apprendere in maniera adattiva e continua dalle condizioni operative del motore, senza necessità di addestramento preliminare;
- Un’infrastruttura software per la raccolta, normalizzazione, riduzione dimensionale (PCA) e clustering dei dati multisensore (vibrazioni, segnali acustici, campo magnetico).
Il sistema è stato validato su motori trifase da 11 kW a 160 kW operanti in ambienti reali, con una accuratezza del 97% nella classificazione delle anomalie e la capacità di adattarsi a nuovi stati operativi non noti in fase iniziale.
Il paper selezionato
Titolo: Unsupervised Predictive Maintenance on Industrial Electric Motors Based on Self-Sustainable IoT Wireless Sensor Nodes
Presenter: Antonio Cancilla, Teoresi MedTech
Co-autori: Guido Comai (Teoresi MedTech), Tommaso Polonelli (ETH Zürich)
Conferenza: IEEE Sensors Applications Symposium