La visione e il controllo di tutte le fasi di un processo di business, dall’approvvigionamento, alla produzione, dalla gestione del magazzino alla consegna, è la chiave di volta per raggiungere obiettivi di efficienza, qualità e competitività. Raccogliendo e osservando i dati si è in grado di creare modelli che misurino e prevedano risultati. Ma è fondamentale avere strumenti in grado di connettere fonti diverse per un completo monitoraggio
La forte spinta alla digitalizzazione degli ultimi anni, che ha coinvolto ogni settore, ha introdotto molte opportunità e tante nuove sfide, obbligando tutte le realtà a rivedere i propri processi aziendali e di business, per essere più competitivi sul mercato e per costruire un ambiente che possa migliorare la qualità del lavoro dei propri dipendenti, attrarre nuovi talenti e fornire un servizio all’altezza delle esigenze dei propri clienti. Alcune tendenze sono affiorate con questa ondata di digitalizzazione.
La prima è la crescita esponenziale dei dati che i servizi digitali producono. Non solo non c’è alcun rallentamento in vista di questa crescita, ma anzi, i dati aumenteranno. La seconda è legata all’esigenza di trasformare il dato in valore, in informazione preziosa, che richiede prima di tutto convergenza per essere messo a fattore comune tra le diverse divisioni aziendali e creare correlazioni per produrre risultati efficaci. Non basta collezionare il dato, è fondamentale essere in grado di valorizzarlo. L’ultimo è la dipendenza del business dell’azienda dalla trasformazione digitale. Una completa visibilità e controllo di tutte le fasi di un processo di business, che può andare dall’approvvigionamento di materie prime, alla consegna del prodotto finito all’utente finale, passando da linee di produzione, gestione degli ordini, del magazzino, e così via, è la chiave di volta per raggiungere obiettivi di efficienza, qualità e competitività.
Le tecnologie ci sono: Machine Learning e AI, Big Data e Data Lake, IoT e realtà aumentata non più sono emergenti, ma affermate e diffuse. Dobbiamo capire come sfruttarle al meglio. Efficienza e qualità in ambito industriale sono legate alla continuità operativa. L’impatto che tempi di inattività e interruzioni non pianificate hanno sui costi di un’azienda è alto. Uno studio di ThomasNet rivela che il disservizio sulla linea di produzione in ambito automotive può costare 22k$ al minuto. È essenziale ridurre al minimo questi fermi. Anche il controllo della qualità ha una rilevanza centrale e le modalità per garantirla prevedono un continuo monitoraggio della catena di produzione e di tutti gli altri processi legati alla gestione della stessa.
È chiaro che c’è la necessità di trovare strategie di manutenzione efficaci. Non ha più senso una manutenzione non pianificata: può costare il 12-15% in più di una preventiva, che comunque non è ottimizzata come potrebbe. La Condition based maintenance, utilizzando dati in tempo reale per osservare lo stato dei macchinari e delle attrezzature, come la temperatura e le vibrazioni, identifica eventuali modifiche che provocano un problema, e genera allarmi in tempo per poter intervenire.
Manca ancora una funzionalità ulteriormente avanzata: la predittività.
La manutenzione predittiva (nota anche come PdM) tiene conto degli intervalli di manutenzione stimati, però sfrutta in più le informazioni basate sui dati di misurazione delle condizioni operative. Utilizza algoritmi di apprendimento automatico addestrati con i dati dei dispositivi Industrial Internet of Things (IIoT) per fare previsioni, come ad esempio determinare la probabilità di guasto di apparecchiature e macchinari. Utilizza serie storiche, soglie statistiche, modellazione dei dati per calcolare preventivamente quando sono necessarie le riparazioni, gestendo costi di parti, manodopera e disponibilità dei ricambi con notevole anticipo rispetto alle altre modalità di manutenzione.
Un esempio di interfaccia di una piattaforma di manutenzione predittiva (PdM)
Il monitoraggio è reso più semplice con uso di sensori per tenere sotto controllo elementi come le condizioni della macchina. I dati dei sensori si accoppiano con i tradizionali dati provenienti da database e sistemi di archiviazione in cloud. Si crea un pool di dati con l’opportunità di fare analisi per scopi diagnostici e di manutenzione, con una visibilità ampia e completa: si trova il giusto equilibrio tra efficienza e sicurezza (anche fisica).
Adottare una strategia di manutenzione predittiva parte dall’investimento nella giusta tecnologia insieme a una comprensione di come elaborare i dati e quindi applicare tecniche di apprendimento automatico per ottenere i risultati desiderati. È necessaria convergenza e democratizzazione del dato con cui ottenere le giuste informazioni, per sfruttare le similarità comportamentali degli oggetti. Devono essere coinvolti gruppi appartenenti a diverse unità in azienda, da chi gestisce l’IT a chi segue le linee di produzione, così da poter identificare i key output da prevedere: il guasto di una macchina, o il tempo rimanente fino al guasto di una macchina o di un componente. Osservando i dati si è in grado di creare modelli che misurino i risultati.
Poi c’è da individuare la piattaforma corretta, per raccogliere, esplorare, analizzare, modellare e rendere operativi enormi quantità di dati dei dispositivi. Si deve semplificare il flusso di raccolta del dato in tempo reale e comprenderne il significato. Aspetto cruciale è la selezione della tecnica di apprendimento automatico. Dopo aver raccolto ed esplorato i dati, si sceglie l’algoritmo di machine learning più efficace nel prevedere i risultati desiderati. È una fase da iterare nel tempo, perché bisogna ri-addestrare i modelli predittivi non appena saranno disponibili più dati o le apparecchiature cambieranno. Man mano che la piattaforma raccoglie dati sufficienti e inizia a prevedere gli eventi, devono essere disponibili strumenti per creare report e avvisi specifici per la persona ed il ruolo che ne deve fare uso. È un percorso graduale: quando il primo ambito su cui è applicata è completato, si può espandere.
Un comune ostacolo nella maggior parte degli ambienti industriali è la combinazione e correlazione tra sistemi (ad es. SCADA, sensori, applicazioni, infrastruttura, IT) che utilizzano diversi protocolli di comunicazione e un’ampia gamma di formati del dato.
In Splunk (due esempi nelle immagini, ndr), proprio perché la piattaforma ha la capacità di raccogliere dati storici e in tempo reale da tutte le fonti, inclusi ERP, SCADA, MES, sistemi di asset management, infrastruttura, applicazioni, sistemi di supply chain e dispositivi IoT, sono diversi i casi d’uso in ambito di Predictive Maintenance. La piattaforma ha una notevole capacità di indagare, monitorare e analizzare grandi volumi di dati su larga scala, abbattendo i silos esistenti che si sono diffusi per la presenza di soluzioni di monitoraggio ad hoc, che hanno il limite di non dare una visione olistica necessaria.
Anche tecnologie di realtà aumentata semplificano gli interventi on site e riducono il numero di chiamate al supporto: l’operatore, inquadrando con un dispositivo mobile o tablet, un oggetto, riesce ad avere accesso alle dashboard con le informazioni di cui ha bisogno per analizzare lo stato di quel componente, accedere dallo stesso dispositivo a manualistica o richiedere il supporto da remoto di un tecnico specializzato senza farlo intervenire di persona. Ancora una volta: maggiore efficienza e riduzione dei costi.