Industrial Analytics l’analisi dei dati in campo industriale

Quando si parla di I4.0 si discute spesso di raccolta dati, infrastrutture di comunicazione e sicurezza. Tratteremo qui delle metodologie di gestione ed elaborazione dei dati raccolti. Una differenza essenziale, derivante dall’introduzione delle tecnologie I4.0, riguarda la quantità di informazioni rilevate che permette l’utilizzo di metodologie di Intelligenza Artificiale e di modelli statistici predittivi consentendo di effettuare complesse analisi multi variabili, non possibili con i metodi tradizionali.

a cura del Gruppo Meccatronica di ANIE Automazione

L’avvento di Industria 4.0, insieme alle infrastrutture di supporto, ha reso disponibile una grande quantità di dati, permettendo di prendere in considerazione e introdurre in ambiente industriale tecnologie di analisi dei ‘Big Data’. Con il termine Industrial Analytics si intende, quindi, l’utilizzo di metodologie predittive e di Intelligenza Artificiale applicate ai dati raccolti interagendo a livello di campo con sensori e a livello gestionale con sistemi di Information Technology e Cloud.

Una definizione corretta di Machine Learning
Riportiamo una definizione di Machine Learning, in modo da chiarire le sue funzionalità e potenzialità: “È una metodologia di Intelligenza Artificiale che fornisce ai computer la capacità di apprendere dai dati, senza essere esplicitamente programmati per uno specifico compito”. Il tutto è realizzato partendo da serie di dati di cui è noto l’output; con essi si calcolano i parametri dei modelli matematici utilizzati. Questo permette di analizzare le informazioni mentre la macchina è in funzione e generare supporti con alto valore aggiunto per gli utenti.

Sono due le categorie delle applicazioni tipiche
Le applicazioni tipiche si possono dividere in due gruppi: la predizione e la classificazione di eventi. Nel primo gruppo ricadono la previsione di eventi e la previsione della qualità del prodotto, nel secondo la rilevazione e la classificazione di anomalie. Analizziamo le quattro categorie.
1. Rilevazione anomalie
Sono individuate condizioni che si discostano dal comportamento previsto ricavato dalle serie storiche, considerando quindi il comportamento “normale”. In generale l’anomalia, nelle applicazioni industriali, è un indice di un problema in corso.
Questa tecnica permette la rilevazione di stati critici che con altre regole non sarebbero riscontrati, la semplificazione di problemi complessi, di conseguenza permette di reagire in un tempo tale da non far propagare il problema o a renderlo un evento “catastrofico”.
2. Classificazione anomalie
Le situazioni anomale riscontrate sono assegnate a tipologie di errori definiti nelle serie di dati e quindi già catalogati. Il modello può essere aggiornato con nuove serie di informazioni, quindi le sue prestazioni possono migliorare con il tempo. Questa tecnica facilita il lavoro di manutenzione in impianto, in quanto si hanno indicazioni sull’errore presente, soprattutto la diminuzione dei tempi di fermo macchina in presenza di errori poco frequenti o mai riscontrati dagli operatori.
3. Predizione Evento
Questa tecnica predice il tempo residuo all’accadimento di un evento, tipicamente la vita residua di un componente o l’accadimento di un errore, e facilita il lavoro di manutenzione di un impianto, migliorando la pianificazione di risorse, ricambi e personale.
È importante notare che la manutenzione predittiva analizza dati relativi alla macchina a cui è applicata considerando le reali condizioni di utilizzo dell’apparato, a differenza della manutenzione preventiva, dove si usano valori calcolati in condizioni nominali. Questo permette di prevenire rotture inaspettate e di utilizzare l’oggetto dell’analisi per tutta la sua vita utile.
4. Predizione qualità prodotto
Questa tecnica predice la qualità del prodotto. Si effettua una comparazione fra un set di registrazioni, che definiscono la qualità di riferimento, e i dati della lavorazione in corso. Rilevando le differenze, si predice la qualità del prodotto finale generando allarmi o warning. Permette, inoltre, di monitorare la qualità della produzione in modo continuo, utilizzando un gran numero di variabili arrivando a ridurre gli scarti, data la tempestività nell’individuazione di trend di scostamento rispetto al riferimento.

I vantaggi, economici e tecnici, della tecnologia
Per valutare una tecnologia si devono considerare sia i vantaggi economici sia quelli tecnici di tutte le parti in causa. Nel nostro caso utilizzatori finali e OEM. La quantificazione dei costi di fermo macchina in una linea di produzione deve includere i costi vivi e quelli indotti, primi fra tutti la diminuzione di produttività della linea stessa e il costo del personale inoperoso. Ciò aumenta i costi anche di diversi ordini di grandezza rispetto al costo del semplice ricambio. Prevenire l’accadimento di eventi presenta un considerevole vantaggio economico per l’utilizzatore finale delle macchine in termini di programmazione manutenzione e capacità produttiva, permettendo di concentrarsi sul suo obbiettivo primario: la produzione. Per gli OEM si ha un miglioramento delle performance della macchina e la possibilità di offrire servizi supplementari ai clienti per i quali i rapporti costi/benefici è positivo.