AES_1 2023

MERCATI Primo piano 28 Gennaio - Febbraio 2023 n Automazione e Strumentazione comportamento deterministico del sistema analo- ghe a quelle appena illustrate per le self-driving car nel settore automotive. Anche negli ambienti di produzione, nelle fabbriche, sussistono vincoli di banda, latenza, affidabilità, sicurezza, non indirizzabili con modelli d’implementazione unica- mente basati su cloud computing. Tempi di risposta del sistema calcolabili nell’ordine dei millisecondi possono risultare, in genere, abbastanza accettabili nelle applicazioni dedicate alla gestione degli edi- fici, nelle soluzioni di monitoraggio di attrezzature e macchinari, o nei sistemi di manutenzione pre- dittiva. Ma quando si tratta, ad esempio, di appli- cazioni come il controllo di processo ad anello chiuso, i tempi di risposta diventano dell’ordine dei microsecondi, e un task real-time determini- stico dev’essere eseguito in un tempo predicibile. In questi casi, l’edge computing industriale arriva a giocare un ruolo ancora più importante e critico per il corretto funzionamento dell’applicazione. Industrial edge, quando il timing è critico Per definire le applicazioni con timing determini- stico, vengono talvolta usate espressioni come ‘time- critical edge’, o ‘critical IoT connectivity’, e, negli scenari tecnologici emergenti, aumenta il numero delle implementazioni in cui requisiti di timing, latenza ultraridotta, precisa sincronizzazione nell’e- secuzione dei task, diventano vincoli di progetto stringenti. Gli esempi di applicazioni IoT time-cri- tical crescono con il diffondersi nelle organizzazioni industriali del paradigma Industria 4.0 , che apre la strada alle smart factory e ai sistemi di smart manu- facturing. Non si parla solo di controllo industriale, ma anche di applicazioni digital twin, sistemi auto- nomi, robot collaborativi, e robot mobili autonomi (autonomous mobile robot - AMR). In aggiunta, allorché entra in gioco l’interazione tra uomo e macchina, come negli scenari di produzione in cui sono presenti robot, l’applicazione non è più soltanto time-critical, ma anche safety-critical. Un altro scenario applicativo in cui l’industrial edge computing time-critical può rappresentare la solu- zione per risolvere problemi di latenza, banda, affi- dabilità, sicurezza dell’infrastruttura, è l’ elabora- zione di alcuni workload di intelligenza artificiale (AI), machine learning (ML), deep learning (DL), direttamente nell’edge (edge AI) . Ad esempio, nei sistemi di visione industriale di ultima generazione, basati su algoritmi di deep learning, e utilizzati per automatizzare l’ispezione di qualità dei prodotti e la rilevazione di anomalie e difetti, il processo infe- renziale che permette di classificare le immagini può essere eseguito localmente nell’edge , in modo da ridurre la latenza. La connessione al cloud può essere usata solo per veicolare i dati richiesti per il training iniziale del modello di deep learning, men- tre, grazie ai livelli di potenza computazionale rag- giunti dai moderni chip, la telecamera embedded di visione artificiale è in grado di gestire autonoma- L’edge computing può costituire un complemento del cloud computing in svariate applicazioni industriali