AO_416

SETTEMBRE 2019 AUTOMAZIONE OGGI 416 115 neurali artificiali si rinforzano all’aumen- tare dei dati disponibili, consentendo di rilevare percorsi e mec- canismi sempre più complessi, una situazione che risulta ideale in presenza di molte variabili, come è il caso dei processi produttivi. In questo caso si parla di deep learning, ossia l’apprendimento autonomo e senza intervento umano della macchina, che in am- bito industriale può essere utilizzato per applicazioni di robotica avanzata, ad esempio per robot che effettuano manipolazione di oggetti o analisi di immagini. Infine, il machine learning per rinforzo prevede che la macchina sia in grado di interpretare i dati in entrata e in uscita autono- mamente grazie al deep learning, al tempo stesso disponendo degli strumenti per apprendere dall’ambiente circostante, sen- sori, radar, Lidar, GPS, telecamere ecc., e adattare i propri com- portamenti in base a esso. In definitiva, IoT, intelligenza artificiale, machine learning e deep learning permettono di raggiungere l’obiettivo di cui si è parlato all’inizio dell’articolo: aumentare la qualità riducendo i costi. Vediamo nel dettaglio alcune applica- zioni in ambito industriale. Manutenzione predittiva I costi di manutenzione rappresentano sicuramente una delle voci più rilevanti nei budget delle aziende manifatturiere. Per questa ragione, riuscire a prevedere i guasti prima che si verifi- chino rappresenta un notevole risparmio, e le nuove tecnologie aiutano a muoversi in tal senso. Le operazioni di manutenzione predittiva sono tradizionalmente abilitate da operatori, che pro- grammano le macchine tramite sistemi Scada per creare partico- lari configurazioni e regole per le notifiche. Questo approccio non tiene conto della complessità delle variabili che costituiscono il sistema-impianto: un sensore potrebbe surriscaldarsi per ragioni che non dipendono dal funzionamento dell’impianto, e rilevare un’anomalia quando invece si tratta solo di un episodio acci- dentale. Al contrario, gli algoritmi di machine learning sono ‘ali- mentati’ dai dati provenienti da diverse fonti: dalla produzione, il cosiddetto production floor o operational technology (OT) che comprende dispositivi, sensori, PLC e sistemi Scada installati sulle macchine, ma anche le correlazioni tra status del macchinario e tasso di produzione; oppure dagli applicativi IT aziendali, ad esempio ERP, MES, controllo qualità, ecc. Nell’ambito dell’intel- ligenza artificiale, il processo noto come ‘training’ permette agli algoritmi di identificare le anomalie e testare le correlazioni fra di esse, cercando allo stesso tempo di creare dei modelli relazionali tra i dati provenienti dalle varie fonti sopra citate. Il punto di forza di questo processo è la capacità di analizzare enormi quantità di dati in tempo reale, rendendo le macchine autonome nelle de- cisioni in base agli avvenimenti. Lo stato e il comportamento di ogni componente e di ogni dispositivo è costantemente moni- torato per identificare le anomalie prima che si verifichi il guasto vero e proprio. L’intelligenza artificiale permette quindi di abbat- tere i costi di manutenzione, e consente alle macchine di agire direttamente sul problema, o di informare gli operatori prima che il problema si verifichi. In questo modo non sono più necessari controlli di manutenzione programmata, che a volte risultano su- perflui, e gli operatori possono avere un maggiore controllo su tutta la filiera produttiva grazie ai dati. Un migliorato controllo della qualità Mantenere alta la qualità del prodotto è una sfida sempre più difficile, in quanto la concorrenza è sempre più serrata, il time-to- market è sempre più ristretto e i prodotti sono sempre più com- plessi. Come già evidenziato, la qualità resta l’obiettivo principale per i manager, che ben conoscono il potere dei loro clienti nel vei- colare la loro esperienza e le loro informazioni sui prodotti e le dif- ficoltà dovute al richiamo di prodotti per difetti di fabbricazione. Le tecnologie dell’Industria 4.0 hanno portato a una maggiore efficienza nel controllo qualità dei prodotti, grazie alla possibilità di monitorare costantemente i dati di produzione con l’IoT. Que- sti dati forniscono utili insight relativi all’uso e alle performance di prodotti e macchinari, diventando una fonte preziosa per le strategie di business e di product management. Di nuovo, l’intel- ligenza artificiale viene in aiuto alle imprese, fornendo degli algo- ritmi in grado di migliorare la qualità dell’output di produzione, ad esempio prevedendo i ritmi di deterioramento e la necessità di sostituire i componenti dei macchinari. Avere in anticipo queste informazioni permette di allocare più correttamente le risorse ed evitare sprechi di materie prime. Dal cloud all’edge: abilitare IA, ML e DL sul campo Il cloud ha avuto finora un ruolo di primo piano nell’elaborazione di modelli di machine learning e deep learning per l’intelligenza artificiale in genere, grazie alla disponibilità di computer molto potenti in grado di processare enormi quantità di dati. Tuttavia, l’aumento della mole di dati raccolti sul campo genera problemi relativi alla trasmissione degli stessi al cloud, senza considerare gli aspetti di banda, di latenza e di confidenzialità delle informazioni. La soluzione è portare la potenza di calcolo disponibile a livello di cloud verso l’edge, ossia verso il campo. Eurotech ha recente- mente ampliato il suo portafoglio di supercomputer ad alte pre- stazioni realizzando dei sistemi di calcolo, storage e networking che portano le capacità del data center sul campo. Questi sistemi Hpec (High Performance Embedded Computer) permettono l’ela- borazione di modelli di AI tramite deep learning direttamente alla fonte dei dati, spesso in condizioni ambientali difficili in termini di spazio, temperatura, shock e vibrazioni: per questo la robustezza risulta una caratteristica essenziale per il loro funzionamento. Gli Hpec abilitano applicazioni di AI avanzata, come ad esempio le auto a guida autonoma di livello 5. In ambito industriale possono essere impiegati per applicazioni di visione artificiale e di robotica avanzata, per rendere i robot sempre più autonomi nelle loro de- cisioni. Visto l’ammontare dei dati raccolti ogni giorno dagli asset sul campo, questi super-computer embedded sono l’ideale per tradurre i dati in conoscenza e poi in decisioni prese, in tempo reale e in autonomia, dalle macchine. • Eurotech – www.eurotech.com I sistemi Hpec di Eurotech portano la capacità di calcolo, networking e storage del data center sul campo per abilitare applicazioni di intelligenza artificiale sul campo, in tempo reale e direttamente alla fonte dei dati