Un importante produttore nel settore delle motorizzazioni elettriche, che teniamo white label per sua richiesta, ha affidato a Path di Bytelabs la sfida di ottimizzare il testing dei propri prodotti.
L’obiettivo era implementare prove di endurance e caratterizzazione per garantire elevata affidabilità e performance delle motorizzazioni elettriche.
Path è stato implementato come soluzione completa, sfruttando:
Hardwar cRIO:
Un sistema di I/O precondizionato e modulare con Linux RT e FPGA, che ha garantito acquisizioni dati ad alta velocità e controllo in tempo reale durante le prove.
FPGA:
Utilizzata per la gestione di acquisizioni ad alta frequenza e per il monitoraggio dei parametri critici dei motori elettrici.
Path sul PC:
Permette la progettazione di microsequenze e macrosequenze per generare stimoli con profili variabili (es. segnali trapezoidali e arbitrari), configurando allarmi e registrando dati operativi in tempo reale.
Dashboard Grafana:
Grazie al controller basato su LinuxRT i dati sono disponibili su Dashboard Grafana permettendo reportistica avanzata sulle campagne di test.
Gestione Dati: Il salvataggio locale e l’integrazione con sistemi di gestione dati (es. piattaforma remota) hanno assicurato una tracciabilità completa delle campagne di test, fondamentale per le analisi post-prova.
Affidabilità e Precisione:
Path ha fornito misurazioni accurate e ripetibili, consentendo una caratterizzazione dettagliata delle prestazioni dei motori elettrici.
Efficienza nei Test di Endurance:
La capacità di eseguire cicli di test prolungati ha permesso di individuare eventuali segnali di degrado e migliorare il design dei motori, ottimizzando la loro durata operativa.
Flessibilità Operativa:
La soluzione si è adattata facilmente a differenti scenari di test, offrendo la possibilità di simulare condizioni operative complesse e variabili.
Gestione Centralizzata dei Dati:
La completa tracciabilità e l’analisi dettagliata dei dati con Grafana, hanno facilitato una completa registrazione dei dati in vita dei DUT, supportando il riutilizzo di questi dati per sistemi terzi di condition monitoring basati su machine learning e IA.
