AS_02_2020

Automazione e Strumentazione Marzo 2020 SCENARI primo piano 37 sull’installazione di una telecamera in grado di eseguire in autonomia una scansione del dispositivo sotto test, per individuare eventuali componenti mancanti e/o difetti di qualità (ano- malie di dimensioni, forma, deformazioni di componenti). La visione artificiale costituisce il fondamento dell’ispezione ottica e, una volta riconosciute le immagini, l’ apprendimento semi-supervisionato (semi-supervised ML) rappresenta la tecnica più efficace per catalo- gare le immagini di anomalie in classi di difetti. Il principale beneficio ricavabile da questa appli- cazione della industrial AI è la riduzione dei costi , e i maggiori potenziali beneficiari sono i grandi stabilimenti di produzione, in cui anche piccole riduzioni degli scarti o dei tempi di test si riflettono in notevoli risparmi. In questo settore, ad esempio, dopo aver implementato l’ispezione ottica automatica coadiuvata dalla AI in uno dei propri stabilimenti, Bosch ha sostenuto di rag- giungere 1,3 milioni di dollari di risparmi, grazie a una riduzione del 45% del tempo totale di test. AI per ottimizzare i processi di produzione L’implementazione dell’intelligenza artificiale per l’ ottimizzazione automatizzata dei pro- cessi di manufacturing è il terzo caso d’uso più diffuso (16,3%) della industrial AI, anche se, precisa IoT Analytics, è uno dei più difficili da realizzare. Una possibile implementazione di tale ottimizzazione è quella che fa uso di mac- chine autonome o robot: il concetto è insegnare ai robot a replicare compiti routinari e monotoni svolti dagli operatori umani nel processo di pro- duzione, in modo da risparmiare sui costi. Prima di essere messi in produzione, questi robot e macchine autonome vengono impegnati a eseguire svariate volte una stessa operazione, apprendendo ogni volta di più, fino a raggiun- gere il grado di precisione sufficiente. Attraverso questa tecnica, nota come reinforcement lear- ning , il robot viene addestrato, sotto la supervi- sione umana, a compiere la corretta sequenza di azioni necessarie per ottenere il risultato deside- rato. Il processo di apprendimento - il cui cer- vello è solitamente una rete neurale artificiale - è relativamente rapido per il robot, ma si rivela lungo, frustrante e tedioso per l’operatore umano che deve supervisionare la fase di training. Robot, industrial AI e digital twin nella fabbrica di ABB Un esempio d’implementazione di fabbrica robotizzata è l’investimento di 150 milioni di dollari fatto da ABB nello stabilimento di Shanghai, per la realizzazione di una “evoluta, automatizzata e flessibile” fabbrica robotizzata, dove i robot vengono usati per produrre robot. In quella che viene chiamata la “robotics factory of the future”, e che è prevista entrare in attività all’inizio del 2021, la produzione, nello stabili- mento altamente automatizzato, sarà basata su celle di automazione, con robot in movimento da stazione a stazione, e veicoli AGV (automa- ted guided vehicle) addetti alla fornitura di parti ‘just in time’ ai robot di produzione. In aggiun- ta, spiega ABB, le più moderne tecnologie col- laborative garantiranno che operatori umani e robot lavorino fianco a fianco in modo sicu- ro , combinando le rispettive capacità, mentre l’adozione di ‘digital twin’ consentirà a ingegneri, manager, operatori e team di manutenzione di ot- tenere insight sui dati e sfruttare la potenza del machine learning per migliorare le pre- stazioni e massimiz- zare la produttività. ABB utilizzerà anche un sistema basato su machine learning per ispezionare i robot mentre vengono as- semblati, in modo da assicurare gli stan- dard qualitativi più elevati. La manutenzione predittiva può utilizzare il machine learning per determinare la condizione di una singola risorsa o di un insieme di asset in un ambiente di fabbrica