AES_3 2023

FOCUS Approfondimenti 41 INDAGINE Automazione e Strumentazione n Aprile 2023 e non; applicando modelli con l’ausilio di tecno- logie più o meno sofisticate, dai semplici fogli di calcolo a sistemi di Machine Learning passando per algoritmi computazionali, tecniche di appren- dimento automatico, sistemi di visualizzazione e altri strumenti avanzati. Il ruolo dei KPI Tra i dati aziendali più preziosi ci sono indubbia- mente i KPI (Key Performance Indicator) ovvero le informazioni chiave per comprendere lo stato di ‘salute’ aziendale. Queste informazioni sono fondamentali per misurare gli indici di efficienza dei processi produttivi. Ma la vera sfida, per le aziende, è quella di individuarli. I KPI infatti sono dati spesso ‘nascosti’ all’interno dell’enorme mole di dati aziendali e possono essere estrapolati solo tramite un’analisi avanzata. Ovviamente è importante affiancare a un software ERP (Enterprise Resource Planning) un sistema di Business Intelligence con il compito di ricavare in modo semplice e veloce i KPI più rilevanti. In termini complementari sistemi esecutivi di produ- zione MES (Manufacturing Execution System) e CMMS (Computerized Maintenance Manage- ment System), ampliati e arricchiti dall’elabo- razione dei dati di produzione, sono un’ulteriore risposta per migliorare i processi di produzione. Attraverso queste piattaforme gli stakeholder a vari livelli dell’azienda possono utilizzare report e visualizzazioni per ridurre i tempi di inattività, identificare i colli di bottiglia, aumentare la capa- cità produttiva, monitorare in definitiva gli indica- tori più importanti e consentire un controllo com- pleto di produzione. Manufacturing Analytics Collocata nel più ampio contesto di Industria 4.0, l’analisi dei dati nel settore manifatturiero, la cosid- detta ‘Manufacturing Analytics’, si misura con enormi volumi di dati ‘compartimentati’ provenienti dalla fabbrica, a partire da dispositivi e sensori con- nessi, dispositivi Edge e piattaforme Cloud. L’acquisizione dei dati che registrano gli eventi può essere sfruttata per aumentare il tasso di utilizzo delle apparecchiature, favorire il miglioramento dei pro- cessi, ridurre gli errori degli operatori, ottimizzare le supply chain, rivelando con precisione le condizioni dei macchinari e le tendenze di produzione. Esistono poi dati ricavati dalle interazioni con i fornitori, le attrezzature, le vendite e i processi aziendali in generale. È necessario gestire questi dati, metterli insieme, unirli, pulirli, filtrarli e pre- pararli per l’analisi. Successivamente è possibile mettere a punto metodi di identificazione di rischi, guasti delle attrezzature, reclami, tempi di inattività, oltre che applicazioni e dashboard per il monitoraggio in tempo reale. È possibile implementare anche modelli previsio- nali per il controllo della produzione, dei guasti e della qualità del prodotto. L’obiettivo di fondo della Manufacturing Analytics è quello di passare da una semplice rac- colta e visualizzazione di dati (descrittiva) all’u- tilizzo dei dati in tempo reale (predittiva) massi- mizzando l’efficienza in tutta la supply chain con minori spese generali e rischi. Con la trasformazione digitale in atto nel settore manifatturiero, i dispositivi connessi possono ridurre il lavoro associato alla raccolta manuale dei dati e alla relativa documentazione. La raccolta automatiz- zata dei dati delle macchine sta guidando le nuove tecnologie di Data Analysis, ampliando una molte- plicità di casi d’uso avanzati che vanno dalla manu- tenzione predittiva all’automazione dei processi più complessi. Raccogliendo e manipolando grandi quantità di dati, la Manufacturing Analytics si combina anche con applicazioni di Predictive Analytics, Big Data Analytics, IIoT, Machine Learning ed Edge Com- puting per offrire soluzioni di fabbrica più intelli- Metodi descrittivi di Data Analytics (fonte: ScienceSoft)