Intervista al professore Marco Macchi, Ordinario al Politecnico di Milano sul nuovo alfabeto della produzione industriale: sentire, simulare, predire, maturare
Nel dibattito sull’evoluzione dell’industria manifatturiera, termini come smart factory, sensitive factory, manutenzione predittiva, digital twin e asset management avanzato sono entrati nel linguaggio dell’innovazione. Il rischio è l’utilizzo come formule generiche, più vicine alla comunicazione tecnologica che alla reale trasformazione dei processi industriali. Per capire quando questi concetti producono valore e quando restano promesse premature, è necessario riportarli dentro la fabbrica reale: nei suoi impianti, nei suoi dati, nelle sue competenze, nelle sue decisioni quotidiane.
È proprio su questo terreno che si colloca il contributo del professore Marco Macchi, Ordinario al Politecnico di Milano, dove insegna Industrial Technologies, Smart Maintenance and Industrial Asset Management, Modelling and Data Analysis of Complex Systems. Il suo profilo unisce ricerca scientifica, formazione manageriale e confronto diretto con il mondo industriale. In questa intervista, il professore Macchi aiuta a distinguere tra innovazione dichiarata e innovazione operativa.
Oggi si parla molto di smart factory, ma sempre più spesso emerge anche il concetto di sensitive factory. Che differenza c’è tra queste due idee di fabbrica?
La smart factory è certamente un concetto più consolidato sia nel mondo della ricerca sia nella divulgazione industriale. Nasce da un percorso più lungo che in passato veniva ricondotto alla nozione di fabbrica intelligente e che oggi rientra nel perimetro dello smart manufacturing. La sensitive factory può essere letta come un’ulteriore evoluzione o declinazione di questo paradigma. Quando parliamo di smart factory ci riferiamo a una fabbrica capace di utilizzare connettività, dati e tecnologie digitali per rendere più integrati i processi produttivi. Una delle sue caratteristiche è la sincronizzazione tra ciò che accade sul campo, quindi sulle macchine, sugli impianti e sulle linee produttive, e ciò che viene deciso a livello gestionale e organizzativo. In questo senso, la fabbrica smart monitora in modo diffuso il proprio funzionamento, raccoglie informazioni dal processo produttivo e le utilizza per aumentare la consapevolezza e il controllo su prestazioni, anomalie, criticità e risultati.
Questa disponibilità di informazioni permette di rendere il processo decisionale più adattivo. Se il sistema conosce meglio le condizioni operative reali, può reagire più rapidamente ai cambiamenti, correggere deviazioni, ottimizzare l’uso delle risorse e migliorare la continuità produttiva. In una prima fase, questa adattività può essere reattiva: la fabbrica osserva ciò che accade e modifica le proprie decisioni di conseguenza. Il passaggio successivo è rendere questa capacità anche proattiva. Qui entrano in gioco strumenti come l’intelligenza artificiale, i modelli predittivi e le capacità simulative che consentono di rispondere a ciò che sta già accadendo, anticipando scenari futuri. La fabbrica può così prepararsi a condizioni operative non ancora manifestate in maniera completa, valutare alternative decisionali e gestire il contesto produttivo interno e quello più ampio della supply chain. In questa prospettiva la sensitive factory può essere interpretata come una fabbrica ancora più sensibile al proprio ambiente operativo. Una fabbrica capace di percepire segnali deboli, leggere in profondità le condizioni del processo, riconoscere variazioni e trasformare questa sensibilità in decisioni più tempestive, contestuali e intelligenti. È comunque una naturale evoluzione di quella che io preferisco chiamare Fabbrica intelligente o Smart Factory.
Nella sua esperienza, quali sono gli ostacoli più frequenti che impediscono alle aziende di valorizzare i dati provenienti da sensori, MES, ERP e sistemi di manutenzione?
Gli ostacoli sono diversi e possono essere ricondotti a tre grandi dimensioni: tecnologica, organizzativa e culturale. Sono piani distinti ma collegati tra loro perché la capacità di valorizzare i dati dipende anche dal modo in cui l’azienda è strutturata, decide e lavora. Dal punto di vista tecnologico, il problema più frequente è la frammentazione nella gestione del dato. Molte aziende dispongono di sensori, MES, ERP, sistemi di manutenzione o piattaforme di raccolta dati, ma questi elementi vengono in genere trattati come componenti separate. Il sensore raccoglie una parte dell’informazione, il MES ne gestisce un’altra, l’ERP presidia i processi gestionali mentre gli strumenti di analytics o di simulazione, quando presenti, operano su livelli ancora diversi. Il punto critico è che questi sistemi non sempre dialogano tra loro in modo efficace. In altri casi, alcune componenti non sono ancora presenti oppure sono state introdotte a un livello di maturità insufficiente per essere efficace per gli obiettivi del processo e sistema produttivo. L’azienda possiede quindi singoli pezzi dell’architettura digitale, ma non un vero sistema integrato capace di trasformare il dato grezzo in informazione utile e quindi in decisione. C’è poi un ostacolo organizzativo che riguarda il ruolo delle persone, le competenze e le responsabilità nell’organizzazione. Per utilizzare davvero i dati, l’organizzazione deve essere preparata a lavorare secondo un approccio data-driven. Significa saper leggere le informazioni che arrivano dal campo, interpretarle correttamente, collegarle agli obiettivi produttivi e manutentivi e usarle per modificare comportamenti, priorità e decisioni. A questo si aggiunge la dimensione culturale. In molte imprese il dato è ancora percepito come uno strumento di controllo o come un elemento tecnico confinato ad alcune funzioni aziendali, mentre dovrebbe diventare una risorsa condivisa. La valorizzazione dei dati richiede formazione, esperienza e anche una diversa abitudine al lavoro collaborativo tra produzione, manutenzione, qualità, IT e management. In questo senso, anche il tema generazionale può avere un peso. Le nuove generazioni hanno spesso maggiore familiarità con le tecnologie digitali e con l’uso quotidiano dei dati mentre chi proviene da modelli organizzativi più tradizionali può essere influenzato da prassi consolidate, meno orientate alla condivisione informativa e alla decisione basata su evidenze.
La manutenzione predittiva viene spesso presentata come una promessa quasi automatica di efficienza. In quali condizioni produce un ritorno economico misurabile?
La manutenzione predittiva viene spesso raccontata come una soluzione automaticamente vantaggiosa, ma nella realtà non è così semplice raggiungere le promettenti visioni che sono presentate. Misurarne il ROI non è immediato e soprattutto non bisogna considerarla una risposta valida per qualsiasi situazione. La predittiva è una delle possibili strategie manutentive, accanto alla manutenzione preventiva, correttiva, condition-based e ad altri approcci. Non è una panacea, ma uno strumento che va calibrato in funzione del contesto produttivo, del tipo di asset, della criticità del processo, del valore economico in termini di costi opportunità, e del rischio che si vuole tenere sotto controllo. Il primo elemento da considerare è che fare manutenzione predittiva non è gratuito. Se la intendiamo come un approccio realmente data-driven, servono infrastrutture di raccolta dati, sensori, sistemi di monitoraggio, piattaforme di integrazione, modelli analitici, capacità di gestione e governo del dato, oltre a competenze specialistiche. Quando si parla di predittiva, vengono subito in mente intelligenza artificiale e machine learning, ma in realtà entrano in gioco anche statistica, data analytics, modellistica fisica, conoscenza del processo e competenza manutentiva. È proprio il combinato di questi elementi a rendere efficace la soluzione, ma è anche ciò che ne determina il costo vivo. Per questo motivo il ritorno economico diventa misurabile quando il beneficio atteso supera in modo chiaro il costo di implementazione e gestione del sistema. La predittiva ha più senso quando riguarda macchinari o impianti critici, dove un guasto può generare fermi produttivi costosi, perdita di qualità importanti, problemi di sicurezza, ritardi nella consegna o danni rilevanti agli asset come patrimonio impiantistico. In questi casi, riuscire ad anticipare un’anomalia o un degrado può produrre un valore economico concreto perché permette di evitare conseguenze molto più onerose dell’investimento necessario per monitorare e analizzare il sistema produttivo.
Qual è l’errore più comune che vede nelle imprese quando provano a introdurre smart maintenance o asset management avanzato?
La smart maintenance può essere considerata una componente della smart factory. Se la fabbrica intelligente punta a rendere più connessi, adattivi e data-driven i processi produttivi, la smart maintenance applica questa stessa logica alla gestione degli impianti, delle macchine e degli asset industriali. Non riguarda soltanto la capacità di prevedere un guasto, ma anche il modo in cui l’organizzazione pianifica, esegue, supporta e migliora le attività manutentive. L’errore più comune che vedo nelle imprese è pensare che la smart maintenance coincida con l’acquisto di una tecnologia, o peggio ancora con l’introduzione di un singolo algoritmo. Detto in modo provocatorio: non basta comprare il machine learning per fare smart maintenance. Il machine learning può essere utile, l’intelligenza artificiale può avere un ruolo importante, anche dirompente nell’innovazione, ma non sono loro, da soli, a rendere intelligente un processo manutentivo. Una manutenzione davvero smart nasce dall’integrazione tra tecnologie, processi, competenze e organizzazione. Le tecnologie servono, certamente: sensori, sistemi di monitoraggio, piattaforme digitali, strumenti di analytics, modelli predittivi, soluzioni di supporto all’operatore. Ma la parola intelligente non va intesa solo in senso algoritmico. Una manutenzione è intelligente anche quando aiuta le persone a prendere decisioni migliori, a eseguire interventi in modo più efficace, a ridurre errori, a coordinarsi con maggiore precisione e a comprendere meglio il comportamento reale degli impianti. C’è poi un aspetto organizzativo decisivo. La manutenzione non può essere letta come una funzione isolata. Il degrado di una macchina, ad esempio, dipende spesso dal modo in cui l’impianto viene utilizzato in esercizio, dai carichi produttivi, dalle condizioni operative, dalle scelte della produzione e talvolta anche dalla qualità dei materiali o dalla pianificazione del processo produttivo. Per questo una smart maintenance efficace richiede collaborazione tra manutenzione, produzione, qualità, ingegneria, IT e management. Il termine asset management viene spesso utilizzato in modo ambiguo, quasi come sinonimo di gestione della manutenzione, ma in realtà significa gestire gli asset con una prospettiva operativa e strategica, considerando il loro ruolo nel tempo, il valore che generano, i rischi associati e le decisioni da prendere lungo l’intero ciclo di vita. In questo senso, il mondo manifatturiero ha ancora molto da imparare da altri settori, in particolare da quello delle infrastrutture, dove l’asset management è da tempo una disciplina centrale.
Nel mondo industriale reale funzionano meglio approcci physics-based, modelli data-driven oppure soluzioni ibride? E come si trova un equilibrio tra accuratezza e interpretabilità?
È una domanda complessa perché non riguarda soltanto la distinzione tra modelli physics-based, approcci data-driven e soluzioni ibride. Riguarda anche il modo in cui una fabbrica evolve verso una dimensione più intelligente, adattiva e capace di prendere decisioni migliori. In una smart factory dobbiamo abituarci all’idea che i modelli diventino strumenti centrali di supporto al processo decisionale, ma questi modelli possono avere natura diversa e possono operare su scale differenti. La fabbrica non è infatti un sistema unico e omogeneo. Può essere osservata a livello di singolo componente, di macchina, di linea produttiva, di reparto, di stabilimento e, in una prospettiva ancora più ampia, di supply chain. Ogni livello presenta problemi diversi, dati diversi, vincoli diversi e necessità decisionali diverse. Per questo non credo che esista una risposta valida in assoluto. Ciò nondimeno, se guardiamo al mondo industriale reale nel suo complesso, tendo a considerare le soluzioni ibride come quelle più promettenti proprio perché permettono di combinare punti di forza differenti. I modelli physics-based hanno un valore molto importante, soprattutto quando ci si avvicina al funzionamento fisico del macchinario, del componente o del processo eseguito dagli asset. Sono modelli costruiti sulla conoscenza dei principi fisici che governano un fenomeno e possono offrire un elevato livello di interpretabilità. Un esperto è in grado di leggere il modello, comprenderne la logica, discuterne le ipotesi e collegarne i risultati al comportamento reale dell’asset. In alcuni casi, i modelli physics-based possono essere anche molto accurati, soprattutto quando il fenomeno è ben conosciuto e modellabile. Il limite è che questi modelli richiedono competenze specialistiche, conoscenza profonda del dominio applicativo e un lavoro spesso oneroso di costruzione, validazione e calibrazione. Non sempre sono facilmente scalabili, non sempre riescono a rappresentare la complessità reale dell’ambiente industriale e possono diventare difficili da mantenere quando cambiano le condizioni operative. Gli approcci data-driven hanno invece una flessibilità potenzialmente maggiore. Possono adattarsi a contesti differenti e intercettare relazioni che non sempre sono facilmente formalizzabili attraverso un modello fisico. Da questo punto di vista, i modelli data-driven offrono grandi potenzialità, soprattutto quando l’azienda dispone di una base dati ampia, affidabile e ben strutturata. Anche qui, però, non bisogna banalizzare: costruire un modello data-driven efficace richiede tempo, dati di qualità, fasi di training e validazione, scelta calibrata degli algoritmi e competenze analitiche adeguate. Il rischio, nel caso del data-driven puro, è perdere interpretabilità. Un modello può essere accurato nel produrre una previsione, ma meno chiaro nello spiegare perché stia arrivando a quella conclusione.
Oggi si parla molto di digital twin, ma molte volte il termine viene usato in modo vago. Quando un digital twin può dirsi operativo e non solo simulativo?
È una domanda molto importante perché il termine digital twin è utilizzato spesso in modo generico, in alcuni casi è un termine abusato. È un tema che mi fa piacere discutere, lo seguo da circa dieci anni, a partire da alcune esperienze maturate in progetti europei, e credo sia utile contribuire a rendere più chiaro il significato di digital twin, soprattutto nel contesto industriale. Il digital twin può essere applicato a molti ambiti. Già restando nel manufacturing, può riferirsi al prodotto, al sistema produttivo o ai servizi collegati al prodotto stesso. Va detto innanzitutto che non esiste ancora una definizione completamente condivisa tra ricerca e industria. Questa è una delle ragioni per cui il concetto può risultare vago. C’è però un punto che ritengo centrale: il digital twin è una combinazione di tecnologie. Dentro un digital twin possono convivere, ad esempio, simulazione, modelli physics-based, approcci data-driven, intelligenza artificiale, analytics, modelli geometrici; nel contempo, il digital twin si interfaccia sia a sistemi di raccolta dei dati sia a strumenti di supporto all’ottimizzazione delle decisioni. Il fine concettuale ultimo del digital twin è costruire una rappresentazione digitale del sistema fisico capace di riprodurne la struttura e il comportamento nel tempo. Quando questo modello è poi collegato al sistema reale, il digital twin può svolgere funzioni avanzate. Può monitorare ciò che sta accadendo nel processo produttivo, verificare eventuali deviazioni rispetto al comportamento atteso, prevedere l’evoluzione futura entro un certo orizzonte temporale, e, infine, supportare decisioni di gestione ed ottimizzazione. Queste funzionalità lo distinguono dai sistemi tradizionali che sono presenti in azienda, come ERP, MES o sistemi di gestione della manutenzione…. In questo contesto, la differenza tra un digital twin operativo e un modello puramente simulativo è proprio legata alla natura del digital twin come strumento per supportare le decisioni. Un modello simulativo lavora in ambiente virtuale, scollegato dal sistema reale. Può essere utilissimo in fase di progettazione, analisi di scenario o studio preliminare, ma se non riceve dati dal campo e non mantiene una relazione dinamica con il sistema fisico, è più corretto chiamarlo modello digitale o simulatore, non digital twin in senso pieno. Un digital twin diventa operativo quando è connesso ai sistemi che raccolgono e gestiscono dati dal campo: sensori, MES, ERP, sistemi di gestione della manutenzione, sistemi di controllo, piattaforme di monitoraggio e altre fonti informative. In tutto ciò, questo sviluppo è ancora in progress, ulteriori esperienze in ambito industriale sono, a mio modo di vedere, necessarie per plasmare la definizione di digital twin. Per dare il mio contributo, oltre alle normali pubblicazioni su rivista scientifica e progetti industriali, sto finalizzando un libro sui digital twin dei sistemi manifatturieri che sarà presto pubblicato.
Esiste un livello minimo di maturità digitale sotto il quale parlare di predictive maintenance o digital twin rischia di essere prematuro?
Sì, esiste certamente un livello minimo di maturità digitale sotto il quale parlare di predictive maintenance o di digital twin rischia di essere prematuro. Non perché questi concetti siano inaccessibili in assoluto, ma perché richiedono alcune condizioni di base senza le quali il rischio è costruire iniziative ambiziose su fondamenta ancora fragili. Nella mia esperienza la maturità digitale va valutata guardando ai processi aziendali nel loro insieme. Non basta chiedersi se l’impresa abbia introdotto qualche tecnologia digitale; bisogna capire come funzionano le diverse aree aziendali, quale supporto digitale hanno e quanto sono integrate tra loro. Questo vale per l’engineering, per le operations, incluse produzione, manutenzione, qualità, in generale, per tutti i processi che contribuiscono al funzionamento reale dell’azienda. Quando si svolge un assessment di maturità, emergono situazioni interessanti. In alcuni casi l’organizzazione è formalmente strutturata, i ruoli sono definiti e i processi esistono, ma mancano ancora elementi trasformativi decisivi. Uno di questi riguarda le competenze delle persone. La transizione verso modelli data-driven richiede che le persone siano abituate a utilizzare strumenti digitali, a leggere i dati, a interpretarli correttamente, a trattarli con metodo e ad inserirli nei processi decisionali. Questo è un punto centrale: la maturità digitale non dipende solo dalle piattaforme installate, ma anche dalla capacità dell’organizzazione di usarle in modo coerente. Se i dati vengono raccolti ma non governati, se sono disponibili ma non integrati, se vengono prodotti ma non trasformati in decisioni, allora la base per fare predictive maintenance o digital twin resta incompleta. Nello specifico, un digital twin, per sua natura, è più articolato di una singola innovazione tecnologica. Richiede una struttura digitale robusta, una buona disponibilità di dati, sistemi capaci di dialogare tra loro e processi sufficientemente maturi da poter alimentare il modello e usarne i risultati. Lo stesso vale per la predictive maintenance. Non si può pensare di introdurla efficacemente se mancano dati storici affidabili, sensori adeguati, tracciabilità degli interventi, informazioni sulle condizioni operative degli asset e una manutenzione già sufficientemente organizzata. In assenza di questi elementi, il rischio è parlare di predittiva quando in realtà l’azienda non ha ancora consolidato neppure le basi per una buona manutenzione preventiva o condition-based. Per questo è importante partire da una valutazione dei gap di maturità nei diversi processi.
C’è una difficoltà in Italia a reperire personale con le qualifiche necessarie per supportare i nuovi paradigmi industriali?
Sì, esiste una difficoltà reale nel reperire personale con le qualifiche necessarie per supportare i nuovi paradigmi industriali. È un tema che in Italia si manifesta con particolare evidenza perché la trasformazione digitale dell’industria, spinta negli ultimi anni anche dalle politiche legate a Industria 4.0, ha generato una domanda di competenze molto più ampia e articolata rispetto al passato. Il punto è che non servono soltanto profili tecnici in senso stretto. Le imprese hanno bisogno di persone capaci di lavorare su automazione, sensoristica, dati, sistemi informativi, intelligenza artificiale, cybersecurity, manutenzione avanzata e digital twin. Ma hanno bisogno anche di figure in grado di collegare queste competenze al funzionamento reale della fabbrica. Non basta conoscere la tecnologia: bisogna capire il processo produttivo, le logiche manutentive, la qualità, l’organizzazione del lavoro e le implicazioni economiche delle decisioni industriali. Una delle criticità principali riguarda proprio questa capacità di integrazione. I nuovi paradigmi industriali richiedono competenze ibride, che non appartengono più a una sola disciplina. Serve chi sa leggere i dati, ma anche chi sa interpretarli nel contesto operativo. Serve chi conosce gli algoritmi, ma anche chi comprende il comportamento degli impianti. Serve chi sa gestire piattaforme digitali, ma anche chi è in grado di dialogare con manutenzione, produzione, IT, qualità e management. In Italia il problema non è soltanto quantitativo, cioè la mancanza di persone disponibili. È anche qualitativo. Le imprese cercano profili che abbiano già una certa maturità applicativa, ma queste competenze si costruiscono con formazione, esperienza sul campo e contaminazione tra università, centri di ricerca, imprese e fornitori tecnologici. Ultima considerazione: con diverse situazioni di contesto, è un’esperienza che non è solo confinata all’Italia, ma all’industria in trasformazione nelle reti globali di produzione.
