Table of Contents Table of Contents
Previous Page  9 / 116 Next Page
Information
Show Menu
Previous Page 9 / 116 Next Page
Page Background

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?