Dati e intelligenza artificiale sono due opportunità di cui si parla spesso in relazione alle priorità di innovazione nel settore manifatturiero, da un lato perché le aziende hanno a loro disposizione dati di varia natura, ma che spesso non sono sfruttati, dall’altro perché le capabilities dell’intelligenza artificiale come il machine learning potenzialmente consentono di estrarre da quei dati un valore utile a differenti livelli: dall’aumento dell’efficienza nel processo produttivo fino allo sviluppo di modelli previsionali dell’andamento dei mercati. Il primo elemento riguarda dunque i dati. Le aziende manifatturiere creano in continuazione dati di vario tipo: sul funzionamento dei vari macchinari (ad esempio temperatura di esercizio, giri motore, vibrazione, rumore, etc.) e sulla relativa produzione (ad esempio numero di pezzi prodotti, tempo di produzione, fermi macchina, allarmi, etc.). Tutti questi dati molto spesso vengono utilizzati esclusivamente per visualizzazioni in real-time o per analisi descrittive. Ed è qui che entra in gioco il vero potenziale dell’intelligenza artificiale e in particolare del Machine Learning che, elaborando grandi quantità di dati, riesce ad estrarre pattern che l’occhio (e la mente umana) non avrebbero potuto vedere e proporre soluzioni arrivando quindi ad elaborare analisi predittive. Il Machine Learning consente ad esempio di generare dei modelli che avvertono in tempo utile di un potenziale problema sulle macchine (predictive maintenance o manutenzione predittiva) o capire autonomamente se un prodotto uscirà dalla linea con qualità sufficiente (Quality Check & Anomaly detection).
Vediamo quali sono i passi necessari per integrare una soluzione di manutenzione predittiva in azienda e quali sono i potenziali benefici.
Indice degli argomenti
Dall’analisi alla manutenzione predittiva
L’intelligenza artificiale è stata identificata come uno degli alleati degli imprenditori nel settore manifatturiero per affrontare le sfide che si trovano di fronte, da quelle più tradizionali (ed esempio eliminare i colli di bottiglia nella supply chain o ridurre i costi di produzione), a quelle emergenti (personalizzazione di prodotti di massa, sviluppo di prodotti connessi e intelligenti, compliance ai nuovi standard legati ai consumi e all’ambiente). In particolare, secondo PwC (An introduction to implementing AI in manufacturing, 2020) l’AI porta benefici sia in termini di aumento della produttività, grazie all’automatizzazione dei processi, sia in termini di opportunità di mercato, grazie al miglioramento della qualità e all’introduzione di prodotti personalizzati e connessi. PwC ha quindi identificato quattro tipi di AI nel contesto della smart factory, in funzione dell’interazione o meno con la forza lavoro e della capacità di apprendimento autonomo:
- assisted intelligence: sistemi di AI che supportano la forza lavoro nei processi decisionali.
- automation: automazione di attività manuali o cognitive già predefinite.
- autonomous intelligence: sistemi di AI che sanno adattarsi in funzione del contesto e che agiscono in autonomia.
- augmented intelligence: sistemi di AI che supportano la forza lavoro nelle decisioni strategiche e che apprendono dall’interazione con gli esseri umani e l’ambiente.
Come si può vedere in questa mappatura, mentre i primi due tipi di AI eseguono processi predefiniti, l’autonomous intelligence e l’augmented intelligence riescono ad apprendere dal contesto e quindi fornire nuove informazioni a valore aggiunto. Tuttavia, è anche importante sottolineare che avviare un processo di innovazione implica un cambiamento culturale in quanto l’organizzazione deve essere pronta a prendere delle decisioni strategiche a partire dai dati e dalla loro elaborazione e quindi deve sviluppare fiducia nei confronti dell’AI.
L’introduzione di questo processo di cambiamento in azienda può quindi partire da specifiche opportunità che consentano di valutarne l’impatto. Tra queste opportunità che si possono collocare all’interno dell’assisted intelligence in particolare è possibile identificare diverse soluzioni di analisi predittiva che, grazie all’intelligenza artificiale e al machine learning, segnalano la probabilità che l’impianto possa incorrere in malfunzionamenti (manutenzione predittiva) e identificano anomalie rispetto al funzionamento standard delle linee che potrebbero deteriorare la qualità del prodotto in uscita dalla linea stessa (anomaly detection). Vediamole.
![manutenzione predittiva](https://img.industry4business.it/wp-content/uploads/2020/12/worker-860909_1920-640x360.jpg)
Analisi predittiva: dagli Scada al Machine Learning
La manutenzione degli impianti è un’attività che già da tempo è stata automatizzata attraverso sistemi Scada, ovvero approcci semi-manuali che, grazie a un sistema di regole predefinite e statiche sono in grado di generare alert al superamento di specifiche soglie. Gli sforzi tecnologici sono stati principalmente orientati a passare da processi di manutenzione programmata (intervento prefissato dopo un periodo di tempo definito) a processi di manutenzione preventiva (intervento all’avvicinarsi di una soglia sulle ore di utilizzo della macchina). La novità introdotta dall’intelligenze artificiale è la possibilità di identificare pattern che generano potenziali anomalie in modo più accurato rispetto a quanto già compreso e codificato dagli operatori umani. Questa, infatti, è la specificità degli algoritmi di machine learning che acquisiscono grandi quantità di dati endogeni sull’impianto ed esogeni, ovvero derivanti dal contesto (dati storici, temperature, campo magnetico o da piattaforme esterne come ERP, CRM, etc.), li analizzano, identificano in modo proattivo potenziali problematiche e le relative cause. Un modello di manutenzione predittiva permette quindi di intervenire prima della rottura di un singolo componente riuscendo a “predire” la probabilità di rottura in base al diverso comportamento (anche minimale) di una serie di proprietà che sono state registrate.
Il Machine Learning in ambito predittivo oltre che alla manutenzione degli impianti può essere applicato anche ai prodotti per identificare potenziali difetti derivanti da un processo produttivo non ottimale. Anche in questo caso prevedere in anticipo la qualità del prodotto in uscita dalla linea consente di ridurre gli sprechi di materie prime ed incrementare l’efficienza produttiva.
Introdurre la manutenzione predittiva in azienda
Come abbiamo visto, i modelli di manutenzione predittiva consentono di estrarre valore dai dati. Il presupposto per poterlo fare è però la disponibilità dei dati stessi. Per questo è necessario raccogliere questi ultimi in modo coerente per poter creare una base dati statisticamente significativa per addestrare i relativi modelli predittivi: questo si traduce in “iniziare a raccogliere i dati prima possibile”.
L’approccio che descriveremo si basa sull’adozione di algoritmi di supervised learning, applicabili in contesti ove i dati raccolti sono conosciuti a priori e categorizzabili. Diverso sarebbe un approccio basato su algoritmi di apprendimento “unsupervised”, particolarmente utile nei contesti in cui non si conoscano a priori gli eventi che si vogliono andare a predire.
A partire da questa premessa, lo sviluppo di una soluzione di manutenzione predittiva basata sull’analisi prevede le seguenti fasi:
- Analisi preliminare: in questa fase si definiscono le esigenze del cliente per capire quali sono i KPI che si devono mettere sotto controllo e, quindi, quali sono i dati che bisogna collezionare.
- Raccolta dati: nel caso in cui si identifichi l’assenza di un dato vincolante si deve lavorare per iniziare a raccogliere quel determinato dato il prima possibile. È essenziale che nei dati registrati vengano registrati anche i casi di rottura in modo tale che il modello abbia la possibilità di imparare cosa è successo ai vari parametri registrati prima della rottura stessa.
- Modellazione: una volta salvati i dati e raggiunto un numero di campioni statisticamente significativo, per poter addestrare e testare i modelli si parte con la modellazione del modello per poi suddividere il dataset in dataset di training e di test.
- Training e test: a questo punto si addestra il modello e si verifica la qualità di quest’ultimo tramite il dataset di test.
- Optimization: è fondamentale a questo punto strutturare il processo di predizione automatizzata in modo dinamico, andando ad ottimizzare progressivamente il modello decisionale sulla base delle predizioni eseguite e degli eventuali cambiamenti del contesto.
Grazie a questo processo di analisi il modello di manutenzione predittiva è in grado di prevedere un malfunzionamento e quindi dare informazioni utili a pianificare l’intervento necessario diminuendo al minimo il tempo di fermo della macchina e quindi i relativi costi di ripristino o la mancata produzione.
L’analisi dei dati degli impianti consente quindi di identificare in anticipo eventuali problematiche e creare alert che avvisano le persone addette alla manutenzione. La manutenzione predittiva basata sull’analisi dei dati consente quindi di rispondere con agilità e in modo proattivo ai problemi, riducendo la necessità di interventi di assistenza e quindi diminuendo i periodi di inattività non pianificati fino al 30%, aumentando dell’83% la velocità di soluzione dei problemi e riducendo del 75% il tempo necessario di presenza in loco (dati PTC).
Conclusioni
La scelta di introdurre l’AI in azienda non è solo una scelta tecnologica ma necessita di un cambiamento organizzativo nei processi (orientati allo sviluppo agile) e della cultura aziendale orientata verso un mind-set aperto alla sperimentazione, un processo decisionale basato sui dati, l’adozione di tool di analisi e la fiducia nei dati e negli algoritmi. Una fiducia che si può costruire introducendo delle sperimentazioni in singoli ambiti e testandone l’impatto, ad esempio attraverso soluzioni di manutenzione predittiva, esempio concreto di assisted intelligence. Si potranno quindi aprire opportunità più evolute di autonomous e augmented intelligence, in cui AI e processi decisionali del management apprendono l’uno dall’altro costruendo un ulteriore vantaggio strategico dell’azienda.
Imprenditori e manager devono quindi essere consapevoli del cambiamento necessario, ma allo stesso tempo non possono perdere l’opportunità di costruire il vantaggio competitivo della loro azienda, soprattutto in un periodo che da un lato è di forte cambiamento (e quindi necessita sempre più di sistemi intelligenti in grado di analizzare i dati per comprenderlo), dall’altro vede nel contesto italiano la presenza di forme di agevolazione fiscale che possono sgravare l’impresa dell’investimento economico di soluzioni di Industrial AI per poterle sperimentare in funzione di una futura integrazione strutturata in azienda.
A questo link https://landing.cws.it/agevolazioni-fiscali-transizione40-ebook?utm_source=press&utm_medium=press-digital360&utm_campaign=transizione40-digital360 è possibile scaricare l’ebook gratuito creato da CWS Digital Solutions per orientare gli imprenditori nella scelta delle soluzioni di smart factory e nell’identificazione delle agevolazioni fiscali utili a svilupparle.