AO_417

OTTOBRE 2019 AUTOMAZIONE OGGI 417 87 virtuosismo, la stima dei costi di produzione di un determinato bene o servizio, quasi sempre, prescinde da un computo diretto dei consumi energetici e dei costi di manutenzione delle mac- chine. Ciò determina, quasi sempre, una stima del costo orario di utilizzo del bene come valore medio spesso imposto dal mercato e, in altri casi, derivante da un computo di ripartizione dei costi per servizi contabilizzati a fine anno. La prospettiva che si apre con l’avvento delle IIoT è di poter sensorizzare gli impianti al fine di monitorare parametri diretti come i consumi energetici e le temperature di esercizio, oltre a molti altri parametri come le vibrazioni per mezzo di accelerometri, al fine di creare una cor- relazione tra i dati raccolti e il processo di produzione. In questo modo, i vari lotti di produzione, oltre al consumo di materia prima necessaria alla realizzazione del manufatto finale, porteranno con sé altre interessanti informazioni, per esempio, sui consumi energe- tici. È chiaro che la correlazione lotto di produzione-consumo energe- tico o costo di manutenzione, se affidata ai responsabili di produ- zione, potrebbero richiedere delle conoscenze o assunzioni di base che, se non consolidate, portereb- bero a conclusioni poco significa- tive, o peggio ancora forvianti. A sostegno di ciò oggi vi sono i così detti sistemi di supporto alle deci- sioni, o più in generale le soluzioni di intelligenza artificiale. Si tratta di modelli di AI opportunamente istruiti a effettuare delle correzioni sulla stima dei costi di produzione, andando a determinare in maniera più mirata i margini operativi realizzati dall’azienda. Grazie a questo prezioso contributo le aziende potrebbero otti- mizzare i propri sforzi di produzione ed essere sostenute da nu- meri chiari su quali prodotti sono più profittevoli e quali invece risultano essere meno strategici. Pareto e la regola 80-20 Viene semplice in questo contesto citare il Principio di Pareto con la regola 80-20 secondo cui, tipicamente, l’80% del fattu- rato si realizza con il 20% dei prodotti. Anche se può sembrare paradossale (da qui il ‘paradosso di Pareto’), spesso l’individua- zione del 20% dei prodotti a marginalità più alta non è di facile determinazione. Questo perché vi possono essere condizioni mutevoli che fanno sì che i prodotti strategici per un’azienda non siano sempre gli stessi nel corso di un anno, o che gli stessi possano avere delle variazioni nel corso del tempo. Sebbene il supporto alle decisioni sia un aspetto molto interes- sante, nei dati raccolti dai sistemi IIoT vi sono anche molte altre informazioni che possono portare a un efficientamento delle linee di produzione, per esempio anticipando rotture imprevi- ste a impianti e macchine. Grazie ai dati e a opportuni sistemi di intelligenza artificiale è possibile infatti condurre delle ‘fault diagnosis’. Si tratta di sistemi che per mezzo di serie storiche, permettono di predire eventuali guasti e, nei sistemi più com- plessi ed evoluti, anche di capire quale dei componenti che par- tecipano al processo realizzativo sarà oggetto di un guasto non programmato. Storicizzare l’esperienza Gli scenari legati al supporto dalla scelta del prodotto più reddi- tizio per l’azienda e alla prevenzione guasti sono già aspetti di grande interesse e attualità per le aziende europee, costrette a misurarsi ogni giorno con competitor asiatici sempre più agguer- riti. Del resto la combinazione dati-AI offre un vantaggio ancora maggiore se unita a un altro ‘asso nella manica’. Chi è avvezzo a frequentare gli impianti di produzione si sarà reso conto che spesso l’efficacia della produzione e l’elevata qualità dei prodotti che escono dalle linee di as- semblaggio sono legate alle capacità di gestione degli addetti alla produzione. Essi conoscono spesso le regole e i ‘trucchi’ per ov- viare a problemi e difficoltà emergenti nel corso della giornata. In genere si tratta di tecnici con una lunga carriera ed esperienza alle spalle, abilità che sono dif- ficili da trasferire alle nuove leve. In questo caso gli SSD- Sistemi di Supporto alle Decisioni (detti anche DSS- Decision Support System) rappresentano, nel contesto dell’intelligenza artificiale, una valida soluzione per la raccolta dei dati e l’ausilio alla scelta migliore in caso di problemi. In questo contesto, Idea ha sviluppato un software di supporto alle scelte dei gestori di impianto per determinare le regolazioni ottimali al fine di migliorare la produttività della linea. Il DSS è un sistema software di supporto alle decisioni che permette di aumentare l’efficacia dell’analisi, in quanto fornisce supporto a tutti coloro che devono prendere decisioni strategiche di fronte a problemi che non possono essere risolti con i modelli della ri- cerca operativa. La funzione principale di un DSS è estrarre in poco tempo e in modo versatile le informazioni utili ai processi deci- sionali, provenienti da una rilevante quantità di dati, come quelli prodotti da reti di IIoT. Il DSS si appoggia su dati memorizzati in un database, o una base di conoscenza, che aiutano l’utilizzatore a decidere meglio. Non si tratta di una semplice applicazione infor- matica, perché contiene anche strumenti di Business Intelligence e tecnologie dei Sistemi Esperti quali modelli di supporto decisio- nale. Attraverso il paradigma dei CBR-Case Base Reasoning, Idea ha creato uno strumento software che consente di ‘storicizzare’ l’esperienza dei manutentori esperti e di metterla a disposizione degli operatori alle prime armi o con minore esperienza. Idea - www.idea-on-line.it L’IoT in ambito industriale ha già dimostrato la propria versatilità in decine di diversi casi d’uso Foto tratta da www.pixabay.com