Big data: perchè sono così importanti

Negli impianti manifatturieri o di processo, ogni fase della produzione genera una grande quantità di dati: l’analisi dei big data è molto importante per le imprese, perché le aiuta a scoprire informazioni preziose e non ovvie, offrendo nuove opportunità

I big data sono risorse informative ad alto volume, ad alta velocità e/o ad alta varietà (da cui le tre “V” con le quali vengono spesso identificati) che richiedono forme di elaborazione delle informazioni convenienti e innovative, tali da consentire una migliore comprensione della situazione, un processo decisionale più efficiente e l’automazione intelligente dei processi. Dal punto di vista informatico, il termine “big data” si riferisce a un set di dati troppo grande o troppo complesso per essere elaborato dai normali dispositivi informatici. In quanto tale, esso è relativo alla potenza di calcolo disponibile sul mercato. Se si guarda alla storia recente dei dati, nel 1999 avevamo nel mondo un totale di 1,5 exabyte di dati e 1 gigabyte era già considerato “big data”.
Secondo un’altra definizione, i big data sono dati che superano la capacità di elaborazione dei sistemi di database convenzionali. I dati sono troppo grandi, si muovono troppo velocemente o non si adattano alle strutture delle architetture del database. Per ottenere valore da questi dati, è quindi necessario trovare un modo alternativo per elaborarli. Rientrano nel novero dei big data i grandi volumi di dati strutturati, semi-strutturati e non strutturati, acquisiti da una varietà di fonti eterogenee. In genere si presume che questi dati contengano informazioni preziose nascoste, che rendono necessari sforzi e risorse sostanziali per scoprirli.

I benefici per il mondo industriale

Perché l’analisi dei big data è così importante nel mondo industriale? Perché aiuta le imprese a sfruttare i propri dati e utilizzarli per identificare nuove opportunità. Ciò, a sua volta, porta a decisioni aziendali più intelligenti, operazioni più efficienti, profitti più elevati e clienti più soddisfatti. Oggi, quindi, i big data sono la frontiera della capacità di un’impresa di archiviare, elaborare e accedere a tutti i dati di cui ha bisogno.
L’analisi dei big data è attualmente utilizzata per molte applicazioni industriali, tra cui la gestione del ciclo di vita del prodotto, la riprogettazione del processo, la gestione della supply chain e l’analisi dei dati dei sistemi di produzione. Quest’ultima ha già ricevuto notevole attenzione, perché i sistemi di produzione sono grandi fonti di dati grezzi spesso difficili da modellare manualmente. Sono quindi emerse numerose applicazioni per indagare sui dati di processo per il monitoraggio del processo, il rilevamento di anomalie, l’analisi delle cause alla loro radice e l’estrazione della conoscenza.

Memorizzare migliaia di misurazioni di processo senza rischi di perdite

I sistemi digitali di controllo della produzione sono una fonte di big data fin dalla fine degli anni ‘80, quando hanno iniziato a catturare i dati e a storicizzarli. Inizialmente, l’elaborazione era selettiva e si acquisivano solo le misurazioni di processo più importanti, come temperature, flussi e pressioni.
Con l’aumento delle capacità di memoria, il potenziamento dei sistemi di archiviazione e delle reti informatiche, si è iniziato a memorizzare rapidamente migliaia di informazioni sul processo, a frequenze di campionamento sempre più elevate. Oggi, in una raffineria moderna o in un grande impianto chimico, è comune raccogliere decine di migliaia di misurazioni di processo, posizioni delle valvole e stati del sistema di controllo, a velocità di campionamento di una volta al secondo. È anche possibile memorizzare tutti quei dati senza perdere informazioni nella loro compressione.

In breve tempo la big data analytics offre miglioramenti mirati

L’attuale tecnologia dei sensori (dai semplici flussometri agli analizzatori di processo, fino agli spettrometri a infrarossi e alle telecamere digitali) rende disponibili le misurazioni di processo a una velocità molto più rapida e a un costo molto inferiore rispetto a pochi anni fa.
Di conseguenza, l’enorme quantità di dati provenienti dai processi di produzione è regolarmente disponibile in tempo reale per gli ingegneri.
Ciò ha portato a un’ampia diffusione dell’uso di modelli basati sui dati. Tra questi, i modelli basati su tecniche statistiche multivariate hanno dimostrato il loro grande potenziale per sfruttare i dati (sia in tempo reale che storici) al fine di fornire informazioni sul comportamento del processo e sulla qualità del prodotto. Analizzare questa marea di dati per trovare le informazioni più importanti è stata una sfida per vari decenni. Oggi sono disponibili strumenti e tecniche di nuovo tipo (raccolti sotto l’ombrello della big data analytics) che hanno dimostrato di avere successo nella ricerca, nell’assegnazione delle priorità e nella risoluzione dei principali problemi negli impianti di processo.
Per esempio, sono disponibili tecniche specifiche per identificare i guasti degli strumenti, trovare e quantificare i problemi meccanici nelle valvole di controllo, misurare l’efficacia dei sistemi di controllo, identificare le strategie di controllo che non funzionano più correttamente, e misurare le prestazioni di advanced process control. La maggior parte dei sistemi di controllo degli impianti funziona molto al di sotto del loro potenziale. Utilizzando la big data analytics, è possibile ottenere miglioramenti significativi e mirati in un tempo molto breve.

Alcuni esempi applicativi dal settore della chimica all’industria mineraria

Nell’industria di processo si utilizzano strumenti di analisi predittiva per valutare la composizione di sostanze chimiche, minerali e altre materie prime per accertare che soddisfino i requisiti di produzione. I produttori di prodotti biofarmaceutici utilizzano analisi avanzate dei dati per aumentare in modo importante la produzione di prodotti biologici come i vaccini, senza incorrere in ulteriori spese in conto capitale.
I produttori di sostanze chimiche lo fanno per confrontare e misurare l’effetto di vari input di produzione, come la pressione del refrigerante, la temperatura o il flusso di anidride carbonica sulla resa, spesso trovando dipendenze inaspettate che incidono sulla produzione.
L’industria mineraria può ottenere informazioni da dati di produzione frammentati attraverso più processi per trovare correlazioni tra variabili specifiche (come ossidazione e macinazione) sulla qualità dell’output finale (grado di minerale). I produttori farmaceutici utilizzano l’analisi dei dati per verificare che i processi, soprattutto quelli creati in batch, siano conformi agli standard che definiranno le caratteristiche appropriate.
Nell’industria alimentare ogni prodotto viene spesso misurato con una selezionatrice ponderale per garantire il valore legale dei prodotti. In una fabbrica di pannelli solari, ogni cella viene ispezionata per misurarne le prestazioni. In tutti questi casi, e in molti altri, si riceveranno misurazioni del prodotto o del processo ogni 2-3 secondi, principalmente per impedire che prodotti scadenti raggiungano il cliente o per migliorare i processi.
Altri esempi di applicazione dei big data includono l’analisi predittiva e i software di monitoraggio delle prestazioni del loop di controllo (CLPM), oltre alla simulazione tramite digital twins. Un metodo statistico molto utile è l’analisi multivariata dei dati (MVDA), che offre la possibilità di analizzare i dati con più di una variabile per volta. I produttori possono quindi eseguire modelli statistici avanzati come i calcoli “what-if”, individuare dove i processi deviano e così via. Tutte queste applicazioni consentono ai produttori di scoprire informazioni e relazioni non ovvie, che portano con sé il potenziale per significativi guadagni in termini di affidabilità e prestazioni.

Conclusione

L’adozione di big data, machine learning, robotica, intelligenza artificiale e Internet of things (IoT) ha un forte impatto sull’industria e sui modelli di business. La quantità di dati è in costante crescita, ma il loro valore dipende in gran parte dai metodi di raccolta e stoccaggio e dall’utilizzo di procedure di big data analytics adeguate.