Il MISE classifica le tecnologie abilitanti in 9 categorie [1]: Advanced manufacturing solution, Additive manufacturing, Augmented reality, Simulation, Horizontal/Vertical integration, Industrial Internet of Things, Cloud, Cybersecurity, Big Data & Analytics. Tuttavia, in questo articolo si vogliono analizzare le principali tecnologie che probabilmente vedremo implementate in tutte le aziende manifatturiere nei prossimi anni.
Uno dei fattori competitivi più importanti tra le aziende manifatturiere è l’efficienza produttiva: la capacità di produrre minimizzando le quantità di risorse utilizzate e/o minimizzando i costi di produzione. Sotto questo aspetto, tra le tecnologie citate dal piano nazionale 4.0, quelle che possono fare la differenza sono:
Industrial Internet of Things (IIOT): si tratta di dispositivi IOT creati esclusivamente per applicazioni industriali. Un dispositivo IOT non è semplicemente un prodotto con la capacità di connettersi (connected product), ma può portare internet nel mondo fisico. Fa parte di un sistema ed ha la dote di comunicare con altri dispositivi e persone, potendolo definire quindi “cosciente”.
Big Data & Analytics: non si intendono solamente raccolta e analisi di grandi quantità dei dati. I Big Data possiedono anche altre caratteristiche come l’elevata varietà (diverse fonti di dati, per esempio derivanti da tutti i dispositivi IOT) o l’alta velocità di trasmissione. Per via della loro complessità essi non possono essere gestiti o analizzati con i metodi tradizionali, ma attraverso tecniche di advanced analytics e machine learning.
Advanced manufacturing solution: utilizzo di robot e cobot o di altre soluzioni che permettano lo svolgimento delle attività in maniera automatica col minimo intervento umano.
Simulation: la creazione di un modello che descriva la realtà consentendo di valutare e prevedere lo svolgersi dinamico di una serie di eventi o processi in base a condizione prefissate. Questo con l’obiettivo di dimensionare e ottimizzare i processi.
Tutte le tecnologie sopracitate, se implementate al meglio, permettono di avere una completa visuale dei processi attraverso la raccolta di dati e informazioni da utilizzare per rispondere alle seguenti domande con diversi strumenti:
Descriptive & Diagnostic Analytics sono gli strumenti utilizzati per rispondere a questa domanda: la descriptive analysis si concentra sul passato e permette di individuare cosa è accaduto. La diagnostic analysis cerca di rispondere alla domanda “Perchè è successo?” individuando relazioni del tipo causa-effetto.
Predictive & Prescriptive Analytics possono rispondere a questa domanda: la predictive analysis utilizza i dati storici raccolti e attraverso tecniche statistiche e/o di machine learning costruendo modelli con l’obiettivo di eseguire delle previsioni. La prescriptive analysis valuta le possibili azioni e come esse possano influenzare il risultato.
A differenza delle tecniche analitiche precedenti si lavora sui dati del presente utilizzando il Real time analytics: riuscire a visualizzare i dati in tempo reale permette di essere reattivi e di agire nell’immediato in maniera automatica (per esempio tramite l’utilizzo di Rules Engine). Le azioni devono però essere pianificate precedentemente ed eseguite una volta che gli eventi che si manifestano verranno registrati attraverso il cambiamento dei dati.
Nella speranza di non rimanere indietro rispetto ai propri competitor e di seguire il trend, molte aziende potrebbero essere tentate ad acquisire tali tecnologie pensando che il solo loro acquisto possa portare dei benefici. Tuttavia, sono solamente degli strumenti che potrebbero rimanere inutilizzati se non acquistati con criterio.
Il punto di partenza è capire qual è il valore aggiunto che vogliamo portare all’interno dello stabilimento produttivo, come l’utilizzo di tali strumenti possa impattare sull’OEE (Overall Equipment Effectiveness) o su altri indicatori (MTTR, MTBF, ecc..)
Una volta compreso l’obiettivo, lo step successivo riguarda l’analisi del processo produttivo per capire quali sono le informazioni importanti che se conosciute possono permetterci di scovare le cause dei problemi e addirittura prevenirle. Non bisogna cadere nella tentazione di raccogliere il maggior numero di dati possibili, più dati non implica migliore informazione, ma solamente maggiore confusione e costi che possono essere evitati. La scelta dei dati da raccogliere si basa sulle informazioni che si ritengono necessarie per riuscire a prevenire guasti macchina, individuare anomalie nel processo produttivo ed eseguire analisi causa-effetto. Anche il metodo di raccolta dati va scelto in anticipo (Real-time vs Batch), in quali casi è necessario una raccolta completa Real-time e in quali possiamo accettare una pre-elaborazione senza perdere le informazioni importanti?
Individuate le informazioni, si può procedere alla definizione dei requisiti dei modelli virtuali che devono rispecchiare i modelli fisici, stabilendo anche i requisiti delle applicazioni e dei modelli analitici che si vogliono utilizzare. Per esempio, per mantenere al massimo l’efficienza dei nostri macchinari vi è la necessita di capire quali sono le variabili che influiscono nel loro funzionamento. La creazione del modello implica la scelta di tali variabili per poi capire quali possono essere controllate per poter agire tramite le applicazioni per ripristinare le condizioni ottimali in maniera automatica (o notificando gli operatori) e la scelta delle variabili che vogliamo monitorare e/o analizzare inseguito tramite i modelli di analytics, utilizzando la diagnostic analytics per capire le cause dei problemi e la prescriptive analytics per prevedere azioni di miglioramento. In questi casi entrano in gioco i dispositivi IOT e la sensoristica per eseguire le misure, soluzioni di advanced manufacturing e modelli di Big Data e Analytics.
Ovviamente le informazioni da raccogliere non riguardano solamente lo stato delle macchine ma anche l’andamento della produzione (quantità prodotte/scarti/tipologie) ecc.. Riuscire ad avere queste informazioni in tempo reale, incrociandole con le informazioni sullo stato delle macchine e i piani di produzione permette di incrementare la flessibilità, per esempio attraverso l’utilizzo di sistemi che permettano la ri-pianificazione automatica della produzione nel caso in cui qualche unità produttiva si guasti (fattibile per celle di lavoro job shop). In questi casi lo sviluppo e l’utilizzo di buoni sistemi MES possono portare un elevato valore aggiunto, portando visibilità all’intero processo produttivo e permettendo di reagire velocemente agli imprevisti.
E’ importante sottolineare che l’implementazione delle tecnologie citate richiede un impegno attivo, acquisizione di competenze e risorse. Non bisogna affidarsi totalmente a fornitori esterni per la creazione dei sistemi e delle applicazioni, ciò comporterebbe una elevata dipendenza e incapacità di migliorare dall’interno rimanendo al punto di partenza.Quindi, le strategie IT e le normali strategie aziendali dovranno mescolarsi trovando dei punti di incontro.
In questo articolo si vuole descrivere brevemente alcune delle tecnologie emergenti e come esse possano influire sulle aziende manifatturiere, sia tuttavia ben chiaro che ognuna di essa richiede un approfondimento per poterne comprendere il reale potenziale.
[1] Piano nazionale Industria 4.0 – Ministero dello sviluppo economico
Articolo a cura di Giovanni Ingrande