MACHINE LEARNING: PREVISIONI A SUPPORTO DELLE DECISIONI NELLE SMART FACTORY

smart_factory

Il termine smart factory si riferisce ad un modello di azienda che promuove la trasmissione e la condivisione in real-time delle informazioni con lo scopo di creare una produzione intelligente focalizzata sulla strategia decisionale data-driven (cioè guidata dai dati), sia a livello operativo che strategico, per creare le condizioni ideali per ottimizzare i processi.

Il mondo è sulla soglia di una nuova era di innovazione e di cambiamento grazie alla convergenza e all’integrazione nel sistema industriale di tecnologie, anche se non del tutto nuove, adesso maggiormente accessibili.

Quando si parla di rivoluzione digitale dell’Industria 4.0, si fa riferimento sia a rilevamenti a basso costo e nuovi livelli di connettività, quindi Internet of Things, sia ad avanzate tecniche di analisi di dati e Big data, machine learning e predictive analytics.
I dati in sé non hanno un valore, ma possono fornire conoscenze e rispondere alle questioni chiave di uno specifico business solo se analizzati secondo il processo della data-driven innovation. L’azienda trasforma i dati in informazioni con l’obiettivo di ridurre i costi, automatizzando i processi e ottimizzando l’efficienza. Ma i dati che si dispongono sono sufficienti a rispondere al quesito che sintetizza la problematica chiave del proprio business o quale potrebbe essere il modo migliore per acquisirli?
L’analisi dati ci permette di rispondere a questa domanda.

I metodi di Machine Learning

Sono tipologie di algoritmi che permettono di estrarre informazioni dai dati. Possono essere utilizzati per compiti molto specifici senza una programmazione esplicita, superando le limitazioni di una programmazione tradizionale, dove si scrive un programma per risolvere direttamente un determinato problema. È importante, però, capire che i metodi di Machine Learning non hanno la pretesa di sostituirsi all’intelligenza umana, ma hanno la funzione di supportare le decisioni trasformando i dati grezzi in nuove conoscenze.

La trasformazione di una azienda in “Smart Factory” non è solo una questione di tecnologie ma anche di cultura. Infatti, per comprendere come applicare in modo efficace questi metodi non è necessario comprendere la tecnologia utilizzata, ma è sufficiente capire quali sono le domande a cui si può dare risposta:

  • Quale sarà il valore di una proprietà in esame? (regression)
  • A quale classe o categoria appartiene un determinato elemento? (classification)
  • Questi oggetti sono simili tra loro? (clustering)
  • Questo valore è strano? (anomaly detection)

Nelle grandi multinazionali che fanno della produzione il proprio business, i big data si sono trasformati in smart data, cioè un sottoinsieme di dati che possono risolvere in maniera intelligente uno specifico problema della produzione.
Grazie alle strategie data-driven, queste aziende stanno incrementando il proprio mercato e riescono a distinguersi dai loro competitor riuscendo ad adottare le strategie migliori in maniera tempestiva. L’analisi dati porta, infatti, a intuizioni che imprenditori e manager possono trasformare in decisioni e azioni per migliorare i diversi aspetti aziendali.

Per esempio la Rolls Royce, dopo il fallimento del 1971, ha trasformato il proprio business passando dalle macchine di lusso ai motori per gli aerei Boeing, un mercato estremamente innovativo e tecnologico dove un singolo guasto può provocare ingenti danni economici.
Attraverso un programma noto come “Engine Health Management”, l’azienda monitora lo stato di efficienza di più 1000 motori sparsi per il mondo, raccogliendo i dati generati da più di 200 sensori e trasmessi via satellite.

Manutenzione Predittiva

Grazie alla meticolosa raccolta dei dati e alle sofisticate tecniche di analisi, si riescono a prevedere e a individuare in anticipo possibili guasti e problemi. Riducendo i fermi macchina, i rischi e le spese dovute alla manutenzione. Parliamo, in questo caso, di Predictive Maintenance.

Questo approccio risulta fondamentale per mantenere in funzione le attrezzature, per massimizzarne l’utilizzo e le prestazioni, riducendo inoltre il costo del tempo di inattività non pianificato.

Pensiamo, per esempio, all’industria dei microprocessori e al complesso processo produttivo che porta un blocco di silicio a diventare un semiconduttore ad alte prestazioni. È un processo di produzione molto complesso, composto da una sequenza di centinaia di lavorazioni e di complesse trasformazione chimico-fisiche, che portano a ottenere il silicio puro, e una spinta ingegnerizzazione, per integrare i circuiti.

Misurazione virtuale e individuazione delle anomalie 

Negli ultimi anni le strumentazioni sono state equipaggiate con sensori che facilitano il processo di produzione. I dati raccolti permettono un efficiente controllo sulla qualità della produzione. Grazie alle informazioni raccolte per ogni singola fase di lavorazione e la sofisticata analisi dati, l’azienda riesce a prevedere eventuali difetti e individuare lotti non conformi senza intervenire con costose e poco rappresentative misurazioni di qualità prese a campione dalla linea di produzione.
Parliamo quindi di virtual metrology, cioè la capacità di prevedere la qualità del prodotto e le sue caratteristiche finali dai dati di processo, e di anomaly detection, cioè la capacità di prevedere prodotti non conformi.
Anche in Pirelli si punta a sviluppare un sistema di “produzione intelligente”. 
I dati raccolti durante tutto il ciclo produttivo vengono, infatti, utilizzati per creare modelli predittivi capaci di prevedere in tempo reale le caratteristiche finali degli pneumatici (predictive analytics).Attraverso modelli prescrittivi (prescriptive models) è possibile individuare i settaggi per apportare miglioramenti e innovazione all’interno del processo.

La vera rivoluzione è che queste tecnologie, o almeno una parte di esse, sono adesso disponibili e accessibili anche alle piccole e medie imprese. I dati raccolti in produzione, le informazioni sulle materie prime in ingresso, sui settaggi e i dati di processo possono servire per attuare controlli avanzati integrati nei sistemi di produzione al fine di riconoscere anomalie, comprendere se un materiale è idoneo alla produzione, individuare le cause di un blocco e imparare dei metodi per lavorare in maniera più efficiente.
Un punto focale di questo approccio è che sono le domande che devono determinare gli strumenti da utilizzare per la soluzione di una data problematica, non il contrario.
Il processo di analisi dati è però pieno di insidie, perché richiede tempo e creatività.

Di Alessio Passalacqua, www.produzioneperfetta.it