SSI 458

AUTOMAZIONE OGGI 458 SOLUZIONI SOFTWARE PER L’INDUSTRIA 81 S SI tutorial: industria 4.0 l’intelligenza artificiale, hanno portato all’introduzione di soluzioni, denominate data fabric, per l’unificazione e la governance inte- grata delle architetture dati, al fine di fornire agli utilizzatori una maggior accessibilità alle informazioni. Con data fabric si intende un’architettura che faciliti l’integrazione end-to-end di pipeline dati multiple ed ambienti cloud per mezzo di sistemi automatizzati in- telligenti. L’automazione copre l’intero itinerario dei dati, dalle fonti al consumatore, e si occupa di identificare i dati rilevanti, gestirne la trasformazione, suggerire analisi e soluzioni. Il ricorso al data fabric permette di capire al meglio le esigenze dei clienti e di colmare le lacune nella comprensione di processi e prodotti, così da accelerare la trasformazione digitale delle aziende. L’accesso ai dati in una data fabric richiede server veloci per una condivisione ad alte prestazioni di reti e risorse. In termini pratici, si prefigurano due approcci separati: soluzioni on-premise e solu- zioni cloud. Le prime sono realizzate e gestite in seno all’azienda stessa: offrono controllo totale sulla infrastruttura IoT e permet- tono di mantenere i dati all’interno del perimetro aziendale con conseguente maggior sicurezza. Le soluzioni cloud si appoggiano a piattaforme remote di terze parti, cui vengono delegate tutte le operazioni di installazione, aggiornamento, manutenzione e prote- zione. L’infrastruttura dal lato client può essere davvero minimale, mentre le risorse remote possono essere scalate a piacimento (e pa- gamento) senza dover acquistare hardware o software aggiuntivi. Per molte piccole emedie imprese una soluzione cloud temporanea può permettere di valutare i vantaggi di un approccio Big Data con un investimento minimo; una volta accertata la profittabilità del processo, sarà possibile valutare se a lungo termine creare l’infra- struttura necessaria a una soluzione stand-alone in seno all’azienda risulti economicamente più vantaggioso. Applicazioni nel manufacturing L’approccio Big Data può essere efficacemente impiegato per mi- gliorare l’efficienza produttiva, per monitorare lo stato degli oggetti, per identificare problematiche durante l’uso e per generare report sulla performance. L’interconnessione con i nodi IIoT permette di apportare manovre correttive che alterino i processi di produzione in tempo quasi reale o di effettuare interventi di manutenzione pre- ventiva per ridurre l’evenienza di costosi fermi macchina. In ambito IIoT sta emergendo il trend verso un modello di business di tipo ‘machine customer’, in cui i macchinari di produzione sono dotati di sensori e dispositivi IoT che raccolgono dati sul loro stato, sulle pre- stazioni e sulle condizioni ambientali circostanti. In un certo senso, le macchine stesse sono diventate clienti delle aziende. Con un approccio basato sul dato raccolto sul campo, le aziende possono anche migliorare l’esperienza del cliente adottando nuovi modelli di business che si distanziano dalla produzione in larga scala in favore di quella che viene definita ‘customizzazione di massa’. La domanda di personalizzazione mirata del prodotto, che carat- terizza la moderna tendenza del mercato, può essere soddisfatta creando prodotti ‘smart’ e connessi alla rete che siano in grado di identificare e comunicare trend di utilizzo, se non addirittura di adattarsi direttamente alle mutabili esigenze della clientela. La fles- sibilità dei prodotti connessi permette anche di proporre il modello PaaS - Product as a Service, in cui a essere acquistata è la possibilità di utilizzare il bene, secondo schemi di tariffazione che dipendono dalle modalità di consumo. La raccolta dei dati può avvenire anche durante la fase di prototipazione di un prodotto o di una macchina, così da poter analizzarne i comportamenti in situazioni di esercizio tipiche. È possibile creare unmodello digitale del bene, il cosiddetto digital twin, che potrà essere usato per simularne il comportamento in tempo reale in una vasta gamma di scenari. Questa simulazione consente ai progettisti di caratterizzare con esattezza il comporta- mento del prodotto così da poterne ottimizzare il design e miglio- rarne l’efficienza e la durata. Nella fase di esercizio del prodotto, l’accesso ai dati è il prerequisito essenziale per poter fornire servizi tempestivi di assistenza e manutenzione. Esempi di stack per pipeline Big Data con i principali fornitori di servizi e strumenti di analisi Fonte: Sadish Chandra Gupta