I lettori di codici a barre sono sensori utilizzati per identificare merci e materiali nella produzione o nella logistica. Lo fanno rilevando i codici a barre che soddisfano uno di una serie di standard e fornendo poi gli ID dei codici a barre a un sistema superiore. Quando si utilizzano questi dispositivi in applicazioni automatizzate, l’obiettivo principale è quello di ottenere la massima qualità di lettura possibile: Essenzialmente, quando i lettori di codici a barre rilevano le etichette, la qualità con cui eseguono questo compito varia, e questa qualità può essere indicata in percentuale. La percentuale si riferisce al contrasto rilevato. Se il valore è inferiore a una certa soglia, l’etichetta non viene più letta. Una sfida per gli operatori del sistema è quella di trovare il più rapidamente possibile i lettori di codici a barre quando questi non forniscono più una qualità di lettura sufficiente, e di determinarne le ragioni – senza ulteriori dati relativi alle possibili fonti di errore, questo può essere un compito che richiede molto tempo. Soprattutto nei grandi sistemi, per esempio nell’intralogistica, che hanno fino a 1.000 lettori di codici a barre e percorsi di trasporto lunghi chilometri, la ricerca è come cercare un ago nel pagliaio: in caso di dubbio, un tecnico deve tracciare l’intero percorso di un materiale di trasporto per identificare un sensore mal allineato o i fattori di interferenza nel suo ambiente diretto, il tutto sotto la pressione del tempo. La situazione è peggiorata da casi limite, come quando il lettore di codici a barre è in qualche modo allineato e legge con successo per la maggior parte del tempo, ma occasionalmente non rileva le etichette. Questo può essere dovuto al fatto che il lettore di codici a barre è leggermente inclinato o legge solo nella zona di confine, o altri fattori possono giocare un ruolo, per esempio etichette di qualità insufficiente.
Tuttavia, la generazione di dati corrispondenti per trovare le cause degli errori utilizzando il lettore di codici a barre stesso è possibile solo in determinate circostanze. È vero che i sensori monitorano il proprio stato e trasferiscono i dati al sistema superiore tramite OPC UA se necessario. Tuttavia, questo automonitoraggio ha solo una funzionalità molto limitata – un sensore considera solo la propria vista. Ciò significa che invia informazioni come “Sto leggendo attualmente”, “Lettura eccellente” o “Lettura molto scarsa” – cioè la sua qualità di lettura percentuale calcolata. La ragione della scarsa qualità di lettura non può essere identificata dal singolo dispositivo. Ci sono tre possibili fattori influenti in questo caso: il dispositivo stesso, l’etichetta del codice a barre e i fattori di interferenza nell’ambiente. Le possibili fonti di errore relative al lettore di codici a barre stesso includono un cattivo allineamento alle etichette da rilevare o un guasto tecnico. A loro volta, le etichette possono essere danneggiate, sporche o stampate male, il che, a seconda del grado di danno o della qualità di stampa, può ridurre solo la qualità di lettura o impedire del tutto l’identificazione. I fattori di interferenza nell’ambiente includono vibrazioni, polvere e riflessi causati dalla luce del sole o da emettitori sullo sfondo. L’umidità, per esempio nelle celle frigorifere, può essere un fattore di interferenza se questa causa l’appannamento della finestra di scansione del lettore di codici a barre.
L’AI può aiutare a distinguere le varie cause l’una dall’altra e così facendo identificare le ragioni delle interferenze o della scarsa qualità di lettura. Leuze sta lavorando con un produttore di automobili per sviluppare una soluzione che valorizza i sensori con i dati del contesto generale. Il vantaggio è che i lettori di codici a barre restano in funzione come al solito, senza che il cliente debba sopportare ulteriore lavoro durante l’installazione. I volumi di dati sono grandi: molte etichette passano da molti lettori di codici a barre durante il processo e vengono lette in vari punti dell’installazione. È da qui che proviene il contesto generale. In termini matematici, questo contesto generale può essere descritto come un’equazione con molte incognite – innumerevoli lettori di codici a barre, etichette che spuntano ancora più spesso e le varie posizioni di installazione dei lettori. Ad ogni stazione e per ogni etichetta c’è un risultato diverso in termini di percentuale di qualità di lettura. L’AI risolve questo complicato sistema di equazioni e risponde alle domande se una scarsa qualità di lettura si verifica sempre con un particolare lettore di codici a barre, solo con un’etichetta o un particolare tipo di etichetta o sempre in un particolare luogo di installazione.
Per raggiungere questo obiettivo, Leuze utilizza algoritmi di raccomandazione, cioè metodi di raccomandazione basati sull’AI. Sono gli stessi metodi che vengono utilizzati dai servizi di streaming, per esempio, per valutare il comportamento degli utenti e raccomandare i film o le serie corrispondenti sulla base di questa analisi. In questa analogia del comportamento degli utenti, i codici a barre corrispondono ai film e i lettori di codici a barre agli utenti dei servizi di streaming. L’algoritmo di raccomandazione valuta un’etichetta come più o meno “attraente” per diversi lettori di codici a barre. In questo modo, è possibile determinare quale sensore o quale etichetta con una certa percentuale è “poco attraente”, cioè al limite o notevolmente problematica.
In termini tecnici, una soluzione basata sull’AI di questo tipo può essere implementata tramite dispositivi periferici o un cloud, a seconda delle esigenze del cliente e del rispettivo sistema. Un dispositivo edge è un dispositivo separato che si trova nelle vicinanze di un gruppo di sensori e raccoglie, analizza e trasmette i dati del gruppo di sensori. È possibile collegare più dispositivi periferici l’uno all’altro. Poiché un dispositivo periferico è capace di una comunicazione bidirezionale, non solo raccogliendo e valutando i dati, ma anche rimandando l’analisi ai sensori, un lettore di codici a barre può anche trasmettere queste informazioni e segnalare che c’è un problema. Il vantaggio di questo è che non c’è bisogno di apportare modifiche all’architettura IT del cliente. In alternativa, la soluzione può essere gestita tramite un cloud se i dati provenienti da luoghi separati devono essere uniti.
L’approccio di Leuze che utilizza raccomandazioni basate sull’AI per identificare gli errori offre enormi vantaggi sia durante la messa in servizio che durante il funzionamento di un sistema. Una rapida messa in servizio fa risparmiare tempo e denaro. In questo caso, è utile se le cause della scarsa qualità di lettura vengono identificate immediatamente. Durante il funzionamento, questo metodo permette una manutenzione predittiva. Ciò significa che se presto sarà necessario un arresto, i gestori dell’impianto possono prendere per tempo le misure adeguate e, per esempio, produrre ed esternalizzare in anticipo in modo da poter continuare a rifornire i loro clienti. In alcuni casi, i dati di più anni possono essere utilizzati per facilitare questo rilevamento precoce. Inoltre, il sistema impara continuamente. Pertanto, l’uso dell’AI è sempre utile quando si tratta di identificare rapidamente e in modo affidabile i fattori che interferiscono con l’identificazione dei codici a barre sui prodotti.