85 / 100
CONTROLLO
tecnica
85
Automazione e Strumentazione
Novembre/Dicembre 2017
tare il trasferimento delle conoscenze, trasformare le informazioni
in azioni e le intuizioni in nuove conoscenze. Infine, ma non per
ordine di importanza, è chiaro come tale trasformazione richieda
una nuova generazione dei dipartimenti IT attrezzati con sen-
sori IoT all’avanguardia e tecnologie
Big Data
in grado di gestire
un intenso flusso di dati in
real-time
. Il successo di tali strategie
richiede l’impegno costante del top management a consentire cam-
biamenti nei processi, il coinvolgimento attivo delle risorse opera-
tive, la disponibilità dei dati, la collaborazione interdipartimentale e
un cambiamento della struttura organizzativa decisionale.
L’efficacia delle applicazioni del
data-driven
, come sarà descritto
nella Sezione 3, è stata dimostrata in diversi contesti ed in diverse
aree aziendali, tra cui la produzione, la logistica, la manutenzione
e la diagnosi della qualità e la gestione dell’efficienza energetica.
Alcuni di questi vantaggi saranno meglio illustrati mediante un caso
reale di produzione industriale in ambito alimentare, considerando
le principali problematiche e le fasi di approccio utili per un inter-
vento efficace e risolutivo. In particolare, saranno riportati i van-
taggi in termini pratici ed economici dell’applicazione dell’approc-
cio data driven nei diversi step del ciclo di produzione di una nota
azienda multinazionale leader nella produzione di prodotti da forno,
nella fattispecie pane, impiegato nella ristorazione
fast-food
.
3. Soluzioni data driven per l’efficienza produttiva
3.1 Classificazione materie prime
Nelle produzioni industriali è sempre più complesso monitorare la
qualità dei lotti delle materie prime in entrata (volumi ingenti, rap-
presentatività del campionamento, tempi ristretti ecc.). Pertanto, è
in continuo aumento il rischio di accettare lotti di materie prime che
sembrerebbero nelle specifiche richieste ma che intrinsecamente,
per diverse ragioni, potrebbero non presentare le caratteristiche ide-
ali per il processo, compromettendo la qualità del prodotto finito.
Dotarsi di un sistema di riconoscimento/controllo immediato ‘sul
campo’ delle materie prime in ingresso porta ad un notevole rispar-
mio in termini di riduzione dei difetti e costi di rilavorazione.
Nell’azienda monitorata nel presente lavoro, l’aspetto relativo alle
materie prime, in particolare la farina, ricopre uno dei ruoli fon-
damentali nel conferire al pane le qualità richieste. Infatti,
diverse fonti di variabilità possono cambiare le proprietà
dei lotti di farina in ingresso, quali ad esempio il fornitore,
la miscela di grani utilizzata e le condizioni ambientali. Le
quantità di farina processate annualmente, superiori alle
decine di migliaia di tonnellate, rendono particolarmente
sensibili da un punto di vista economico le problematiche a
carico di tale materia prima.
In questo contesto, l’approccio
data-driven
è stato sviluppato
considerando i dati reologici a disposizione dell’azienda ed
è risultato uno strumento potente per comprendere le rela-
zioni di somiglianza e differenza tra i lotti di farina ricevuti.
In primis, la strategia adottata è ‘a costo zero’ da un punto
di vista dell’ottenimento di dati (sono utilizzate informazioni
già a disposizione secondo le diverse normative europee del
settore). Inoltre, tutti i dati reologici sono stati utilizzati per
ottenere delle
smart chart
(cfr
υ
figura 2
) basate su algo-
ritmi matematico-statistici, con interfacce intuitive ed interat-
tive che permettono di aumentare la velocità di interpretazione dei
dati a disposizione e, di conseguenza, la velocità decisionale. Da
un punto di vista pratico, queste smart chart permettono di quanti-
ficare il grado di differenza di nuovi campioni rispetto a quelli già
utilizzati in produzione e di individuare le variabili reologiche per
le quali sono anomali. Questo sistema è importante perché viene
utilizzato dagli operatori per classificare le materie prime e utiliz-
zarle al meglio nelle fasi di produzione
[3]
. Infine, l’utilizzo di que-
sto approccio ha portato notevoli vantaggi economici in quanto ha
permesso a priori di individuare on line lotti di farina non adeguati
prima della loro messa in produzione.
3.2 Processo: ottimizzazione, controllo e ricerca anomalie
In un processo produttivo, la presenza di un’anomalia o di una
deriva è un aspetto di criticità elevata poiché potrebbe portare ad
una scarsa qualità del prodotto finale e/o ad un elevato numero di
prodotti non conformi agli standard prefissati. I costi legati a un
prodotto difettoso e non conforme possono essere di diversa entità
e a parità di prodotto dipendono dal ritardo in cui l’anomalia viene
riscontrata. Se l’anomalia è rilevata durante il controllo qualità, i
costi aggiuntivi sono dovuti alla rilavorazione o alla produzione ex-
novo del prodotto. Se l’anomalia viene identificata solo a seguito
dell’immissione del prodotto difettoso sul mercato, i costi diretti e
indiretti sono di gran lunga maggiori e possono causare perdite ele-
vate in relazione al danno creato su terzi, cose o persone.
Individuare per tempo un’anomalia significa innalzare la qualità
dei prodotti per ridurre drasticamente i rischi dei costi inaspettati.
Il sistema di rilevamento delle anomalie basato sul
‘Multivariate
Statistical Process Control’
(MSPC) consente di individuare in
real-time
le anomalie nel processo produttivo e le possibili cause
responsabili della difformità
[4]
.
A differenza delle carte di controllo univariate (Shewhart Charts),
questo sistema è in grado di prendere contemporaneamente in con-
siderazione tutte le variabili coinvolte nel processo. Questo aspetto
è di notevole importanza, dal momento che, nella maggior parte
dei processi produttivi, un’anomalia è generata non tanto da uno
o più variabili ma dall’effetto combinato di diversi fattori che, pur
Figura 2 - Sistema di controllo delle farine impiegate nella produzione di panini