La Smart Factory 4.0 offre la possibilità di aumentare la produttività e prevenire interruzioni e malfunzionamenti, anche grazie alla possibilità di veicolare, verso applicazioni di intelligenza artificiale (AI), informazioni provenienti dalla fabbrica e raccolte dal MES.
Nella visione di QUIN, il discorso su AI e Machine Learning (ML) deve, però, uscire dalla genericità che lo caratterizza, andando a evidenziare la capacità concreta di risolvere i problemi che si presentano quotidianamente alle industrie manifatturiere di ogni dimensione.
“Il ML può essere ad esempio molto utile, in un’epoca di trasformazione come l’attuale, nel passaggio da maestranze che hanno avuto un lungo tempo per imparare tutti i meccanismi della fabbrica alle nuove generazioni di lavoratori che devono essere operativi in pochi mesi”, esemplifica Germano Fogolin, Delivery Director di QUIN. Questa necessità è particolarmente presente nelle PMI, molte delle quali basano la propria attività di fabbrica su persone che hanno passato molti anni nella stessa azienda e sono riuscite a costruire giorno per giorno la propria esperienza, con un approccio artigianale al processo. “Questa conoscenza analogica va però trasformata in conoscenza digitale, tipica della Smart Factory 4.0 – aggiunge Fogolin – Ciò presuppone un governo digitale degli impianti, basato non più sulle sensazioni e le percezioni, ma sulle informazioni disponibili per tutti grazie al MES”.
Per uscire dunque dalla fumosità che spesso caratterizza la definizione di AI, QUIN, con il suo approccio concreto, propone due casi reali con caratteristiche tali da poter essere applicati a un ampio spettro di imprese.
AI per prevenire incidenti della laminazione in una Smart Factory 4.0
Un primo esempio, di seguito sintetizzato, si riferisce a soluzioni AI pensate per un’acciaieria ma estendibile a tutti i casi dove sia prevista un’attività di laminazione a prescindere dalle materie prime impiegate.
Il ML può essere utilizzato per prevenire incidenti periodici che comportano la chiusura della linea, riducendone la numerosità e l’impatto. Spesso si verificano, in fase di srotolamento, sbandamenti del nastro che possono causare l’uscita dai binari o la rottura del coil (da decine di tonnellate) con le immaginabili conseguenze, nel caso in cui i centratori non riescano a riportarlo in asse come dovrebbero.
Un algoritmo AI, capace di individuare i nessi di correlazione fra i dati, raccolti in tempo dagli impianti che descrivono il processo, e le informazioni sulla materia prima impiegata, può consentire di prevedere aree critiche di rottura prima che queste si verifichino e così prevenirle.
Un approccio analogo potrebbe essere utilmente adottato in processi con caratteristiche simili (lavorazione della carta, della plastica, della pasta alimentare, ecc.), a condizione di identificare i processi correlati al problema da prevenire e la disponibilità dei dati necessari (in qualità e quantità) per allenare il sistema di ML, come vedremo in dettaglio di seguito.
AI in una Smart Factory 4.0 per ottimizzare le prestazioni di un forno fusorio
Il secondo caso riguarda le esigenze di un forno fusorio dove viene sciolto e colato il rottame per ottenere la lega desiderata per generare, ad esempio, barre di alluminio con caratteristiche diverse (in contenuto di rame, zinco, manganese, silicio, magnesio, ecc.) sulla base delle destinazioni della lega.
Si parte dal rottame (di cui si ipotizza in modo approssimativo l’esatta composizione), che ha il vantaggio di costare meno della materia prima e ha un minor impatto ambientale, per ottenere la composizione desiderata, attraverso un mix basato su una determinata ricetta. Per raggiungere il risultato voluto si aggiungono additivi di materiale nobile (ad esempio pani di alluminio o altri componenti), ovviamente più costosi del rottame.
L’AI può aiutare a ottimizzare il processo e a minimizzare i costi a partire da informazioni che consentono di riconoscere la qualità del rottame, grazie a diverse informazioni derivanti dall’assaggiatura del rottame al ricevimento, l’identificazione GPS della benna che lo sposta lungo il processo di cernita, altri dati sul processo di gestione del rottame.
L’AI può inoltre ridurre il consumo energetico per ottenere il prodotto desiderato indicando le temperature ottimali relative alle diverse composizioni.
Modelli analoghi possono essere applicati a molti altri processi industriali che utilizzano materie prime capaci di condizionare il prodotto finale: un esempio per tutti i processi adottati nel settore alimentare.
Come ottenere il meglio dall’AI in una Smart Factory 4.0: il percorso di QUIN
La condizione per generare gli algoritmi AI necessari ad aumentare la produttività della Smart Factory 4.0 è la disponibilità di informazioni puntuali che arrivano proprio dai sistemi MES. I sistemi di intelligenza artificiale non hanno, infatti, ragione di esistere senza dati o con dati insufficienti: il MES, in quando gestore di processi execution, è per definizione detentore di informazioni e dati strutturati che vanno ad abilitare le tecnologie Industry 4.0.
D’altra parte, come sottolinea Fogolin, “i dati presi singolarmente servono a poco. Come ci dimostrano invece esempi come quelli sopra citati, correlare le informazioni è indispensabile per capire come anticipare l’evento di rottura o come ottimizzare un processo migliorando la qualità e riducendo i costi”.
Per aiutare le aziende a sfruttare al meglio le potenzialità offerte dall’AI, QUIN propone un percorso in tre passi, con un approccio basato sulle proprie competenze organizzative, direzionali e informatiche.
- Il primo step consiste nell’identificare, insieme all’azienda, i processi correlati al sintomo/problema che si vuole tenere sotto controllo.
- Il secondo prevede di individuare i processi che devono essere digitalizzati per estrarre le informazioni che li rappresentano; se i dati non sono disponibili o lo sono in misura non adeguata alle necessità dell’AI, vanno sensorizzate le macchine per poterli ottenere; i dati necessari per interpretare le correlazioni vanno “puliti” prima di essere utilizzati per avere la sicurezza della loro affidabilità.
- Lo step finale prevede di analizzare i dati per generare gli algoritmi ML e AI che, una volta adottati, forniscano in modo automatico l’output atteso sulla base degli input ricevuti in tempo reale dalla Smart Factory 4.0.
QUIN può accompagnare in tutto il percorso indicato le aziende manifatturiere di diversi settori e dimensioni, sulla base delle loro necessità. Può in particolare aiutare le PMI a trarre vantaggio dall’evoluzione a Smart Factory 4.0 e dalle applicazioni basate sull’AI, anche grazie alle agevolazioni fiscali previste nel Piano Nazionale Transizione 4.0.
