Automazione e Strumentazione
n
Ottobre 2015
EDITORIALE
primo piano
9
‘
Alberto Servida
Dipartimento di Chimica
e Chimica Industriale
Università di Genova
Presidente di Anipla
(IoT, anche se sarebbe meglio parlare
di Things on Internet, come giustamente sostiene Daniele Mazzei dell’Università
di Pisa) e Big Data (BD) costituiscono, forse, i termini più alla moda degli ultimi
tre-quattro anni: spesso, si ritrovano nei titoli di articoli, di convegni e seminari.
È indiscusso che stiamo vivendo una rivoluzione industriale (la terza?, la quarta?)
che, nel giro di pochi anni, grazie alle innovazioni tecnologiche nei settori
dell’hardware computing, delle reti dati, dei protocolli di comunicazioni, della
sensoristica (intelligente e wireless) e dei componenti mobile, ha consentito
l’accesso a una mole di dati e informazioni senza precedenti. Siamo passati
velocemente ad una industrializzazione (basata sullo sfruttamento intensivo) di
Internet, che ha portato a macchinari/dispositivi intelligenti (anche collaborativi)
capaci di interagire tra loro, con l’ambiente e con l’uomo. Tutto ciò consente di
ideare nuove soluzioni/modalità di impiego e gestione dei “macchinari/impianti”
che, comunicando ininterrottamente l’un l’altro e con gli operatori, generano
“informazione intelligente” pronta da valorizzare. Ed è proprio per questo che
gli strumenti (metodologie e tecnologie) di data analytics (DA) giocano un ruolo
importante per l’estrazione del valore e della conoscenza (knowledge distillation)
dalle basi dati a nostra disposizione.
Da diversi anni, nel settore della chimica di processo e della raffinazione, i dati
sono stati parte integrante dell’ingegneria di processo e dell’automazione. I
process system engineer hanno dovuto confrontarsi con le problematiche relative
all’acquisizione di grandi basi di dati (i dati di impianto), alla loro archiviazione
(storicizzazione) e al loro sfruttamento per applicazioni di pianificazione della
produzione, di monitoraggio (prestazioni e qualità), di controllo (Model Based, MB)
e di analisi e identificazione dei rischi. È degli anni Sessanta (più di mezzo secolo
fa!) lo sviluppo del filtro di Kalman, primo esempio di strategia di controllo MB che
sfrutta l’integrazione di dati di impianto e di un modello meccanicistico (a principi
primi) semplificato del processo.
Oggigiorno, nell’era dei process big data, c’è una reale esigenza di migliorare
(aggiornare) i tradizionali sistemi di process data analytics integrandoli con le
più recenti innovazioni tecnologiche nei settori del data mining e della statistical
machine learning, strumenti particolarmente adeguati per analizzare in modo
efficace enormi basi di dati non strutturati e incompleti. Questo richiede anche di
rivedere i sistemi di acquisizione e archiviazione passando da una architettura
DCS-centric ad una data-centric basata su sistemi di archiviazione e di computing
distribuiti su larga scala (cloud service).
Tutto ciò dovrebbe anche fare ripensare alla formazione, infatti nel prossimo futuro
ci sarà sempre più spazio per ingegneri, tecnici dei dati (data scientist) e altre
figure professionali altamente specializzate.
Internet of Things
IoT e Big Data:
cosa c’è di nuovo?