Seaside (Gruppo Italgas), è stata scelta da Ilip, che realizza soluzioni d’imballaggio per alimenti in plastica termoformata e in materiale compostabile, per la realizzazione di un importante progetto di efficienza energetica presso il proprio stabilimento produttivo. Attraverso l’applicazione di soluzioni di machine learning, Ilip stima di conseguire un risparmio energetico sui consumi di produzione del 10%.
Il progetto realizzato da Seaside per Ilip prevede l’utilizzo del software di Predictive Energy Analytics Savemixer impiegato per analizzare e predire i consumi energetici del sito produttivo di Valsamoggia, correlando i dati energetici con le variabili di produzione. Tale analisi inoltre ha consentito di ottenere una base solida di confronto per la misurazione di dettaglio dei saving energetici ottenuti da interventi impiantistici sulle linee.
Il processo produttivo di Ilip, che trasforma materie plastiche attraverso la termoformatura con forni elettrici, è fortemente energivoro e gli interventi in efficienza energetica rappresentano dunque un rilevante vantaggio competitivo non solo dal punto di vista del miglioramento dell’impatto ambientale dell’azienda, ma anche in termini economici.
In particolare, le attività innovative svolte nell’implementazione del sistema di Predictive Energy Analytics Savemixer si concentreranno su tre principali aree di intervento: la modellazione energetica delle linee produzione tramite machine learning, ovvero l’identificazione dei livelli di consumo ottimale di ogni processo, l’analisi degli scostamenti per l’identificazione di anomalie energetiche e l’interfacciamento tra il sistema hardware di monitoraggio energetico e l’ERP di produzione.
Proprio la possibilità di correlare i consumi energetici, che saranno ottenuti attraverso l’applicazione di meters sui macchinari, con i dati di produzione raccolti dall’ERP di Ilip rappresenta uno degli elementi di maggiore innovazione del progetto. L’ERP infatti consente al software di disporre di informazioni estremante dettagliate in grado di sostenere in maniera ottimale l’attività di machine learning e di conseguenza l’accuratezza dell’attività di analisi predittiva. Questo permetterà ad esempio la possibilità di analizzare in maniera puntuale i consumi di ogni processo, valutando dal punto di vista energetico eventuali modifiche e innovazioni.
Inoltre, Savemixer rappresenta già in questo momento un importante ausilio nella verifica del corretto funzionamento dei macchinari, individuando attraverso anomalie di consumo eventuali problemi, che possono essere affrontati in anticipo consentendo di evitare eccessivi sprechi di energia e soprattutto fermo-macchine che possono pregiudicare l’attività.
“La collaborazione con Seaside ci consentirà un miglioramento continuo delle nostre prestazioni energetiche, aiutandoci a capire non solo gli effettivi risultati derivanti dall’implementazione di attività di efficientamento energetico, ma anche fornendo suggerimenti su come migliorare la gestione dell’uso di energia nel processo produttivo al netto di investimenti. Puntiamo inoltre a realizzare un risparmio energetico integrato attraverso la realizzazione, grazie al supporto di Savemixer come strumento di test e verifica, di progetti di certificazione energetica” sottolinea Riccardo Pianesani, Amministratore Unico di Ilip.
“Grazie a Savemixer e alla fornitura di un servizio di consulenza energetica costante stiamo contribuendo attivamente all’attività di saving energetico richiesta da Ilip. L’adozione di una soluzione che va oltre il semplice monitoraggio e che fornisce alle aziende una soluzione in grado di integrarsi con i sistemi produttivi delle aziende manifatturiere rappresenta un sicuro vantaggio competitivo, soprattutto per le realtà energivore che possono beneficiare di vantaggi economici e ambientali” commenta Maria Luisa Mazzotta, Strategic Account Manager di Seaside.
Nell’ambito del progetto di Digital Energy, sono stati installati 225 meters per l’acquisizione dei dati energetici, modellati i consumi di 68 linee produttive e trasmesse 150.000 misure con frequenza quotidiana, analizzati 8.573.513 record di consumo e 233.142 record di produzione, effettuate 45.000 elaborazioni di Machine Learning per settimana.