Content management error: Header Banners should not be placed in the Navigation placeholder!
Content management error: Generic Content Banners should not be placed in the Navigation placeholder!
Data driven manufacturing significa letteralmente “fabbrica basata sui dati”, un concetto che richiama l’utilizzo e l’analisi delle grandi moli di dati, oggi disponibili, per prendere decisioni più accurate ed efficaci, tanto dal punto di vista strategico quanto sul piano operativo per migliorare i processi produttivi.
Si è iniziato a parlare di data driven manufacturing con il paradigma dell’Industria 4.0 e l’avvento dell’IoT, Internet of Things. La crescente digitalizzazione delle imprese, anche nel settore manifatturiero, sta contribuendo alla produzione e distribuzione di enormi quantità di dati.
In ambito manufacturing parliamo di dati industriali, eterogenei e provenienti da svariate fonti lungo e durante tutto il ciclo di vita di un prodotto, i quali, se opportunamente raccolti ed analizzati, diventano una fonte di conoscenza utile a diversi fini, dal controllo dei costi all’efficienza operativa, fino alla manutenzione predittiva o alla cosiddetta servitizzazione dei prodotti, non più venduti come bene ma offerti sul mercato come servizio.
Vediamo allora quali sono i vantaggi che genera un approccio data driven in ambito manifatturiero.
Il paradigma della “fabbrica basata sui dati” porta con sé una serie di innumerevoli vantaggi, ma i più significativi possono essere ricondotti lungo quattro direttrici:
1) Maggiore visibilità: l’analisi dei dati raccolti lungo tutta la catena ed il ciclo di vita di un prodotto consente di avere una comprensione più profonda delle prestazioni sia dei processi sia dei prodotti stessi, nonché di tutti gli asset dedicati alla produzione ed utilizzati in azienda (macchinari produttivi in primis, ma non solo). Avere a disposizione questo patrimonio di conoscenza aiuta i responsabili ed i decisori aziendali a identificare aree di miglioramento oppure a cogliere nuove opportunità, sia che si tratti di rivedere i turni operativi in modo più efficiente sia che si tratti di verificare colli di bottiglia della produzione o identificare anomalie e fermi macchina.
2) Capacità predittive: le grandi moli di dati disponibili grazie all’IoT, di fatto, diventano dataset preziosi per fare analisi predittive, in particolare per sfruttare al meglio algoritmi di Machine Learning grazie al quale trovare soluzioni possibili a problemi complessi. Oggi questo è già realtà in moltissime aziende che, per esempio, grazie a queste nuove capacità analitiche, soprattutto di tipo predittivo, possono ribaltare completamente alcuni processi, come per esempio quello della manutenzione, passando dal tradizionale approccio della manutenzione programmata, tipico del mondo manifatturiero, alla cosiddetta manutenzione predittiva che consente di pianificare interventi solo dove serve e quando serve e,
3) Automazione: sempre sul “potere” dei dati si snodano anche i benefici in termini di automazione che possono riguardare la raccolta automatizzata dei dati, da un lato, e l’automazione dei processi decisionali, dall’altro. Attraverso l’utilizzo corretto di dispositivi e sensori per la raccolta dei dati e di soluzioni software per la loro elaborazione, non sono più necessari sforzi manuali per recuperare i dati che servono. Una volta raccolti e messi a disposizione dei sistemi di analisi, anche i processi decisionali possono essere automatizzati, soprattutto se abilitati da analisi predittive e, ancora oltre, da quelle cosiddette prescrittive. Le prime, mostrano “cosa potrebbe accadere” e quindi permettono, per esempio, di identificare guasti o anomalie prima che si verifichino davvero; le analisi prescrittive, invece, suggeriscono anche cosa si dovrebbe fare per evitare una determinata problematica, di fatto accelerando ed automatizzando il processo decisionale.
4) Controllo dei costi: i dati completano la produzione snella in quanto forniscono ai produttori le informazioni di cui hanno bisogno per semplificare i processi di produzione e ridurre al minimo gli sprechi. Senza i dati concreti, è difficile misurare con precisione i miglioramenti della produzione ed essere sicuri che le modifiche abbiano comportato risparmi sui costi.
Se da un lato le opportunità da cogliere sono innegabili, dall’altro le sfide da superare sono diverse e riguardano tanto gli aspetti tecnologici quanto quelli culturali e di change management.
Dal punto di vista tecnologico, queste le problematiche più comuni verso le quali è doveroso porre la maggiore attenzione quando si vuole intraprendere un percorso di trasformazione verso il data driven manufacturing:
1) origini dati in silos e sistemi legacy: molti sistemi e apparecchiature non sono stati creati con l'intento di comunicare tra loro. Questo può essere il risultato di sistemi operativi separati tra diversi reparti, apparecchiature legacy o semplicemente una mancanza di documentazione e comunicazione. Di fronte a questi scenari può essere difficile aggregare i dati e trarre il valore che possono generare le loro analisi. Le moderne piattaforme IoT che collegano più livelli di sistemi e portano online le apparecchiature legacy aiutano a risolvere questo problema.
2) cybersecurity: più dispositivi risultano essere collegati tra loro e connessi ai sistemi aziendali, più elevati sono i rischi legati a vulnerabilità, attacchi, violazioni. Non solo, gli impianti produttivi storicamente non sono stati oggetto della cosiddetta “security by design”, in altre parole la sicurezza non è mai stata affrontata a livello di macchina e non sono stati sviluppati standard o protocolli per la loro “messa in sicurezza” da un punto di vista di cybersecurity. Ci sono, tuttavia, alcune interessanti soluzioni di cybersecurity pensate proprio per indirizzare queste sfide specifiche.
3) archiviazione dei dati: l’enorme flusso di dati (sempre più in crescita proprio grazie all’IoT, come abbiamo accennato) ha bisogno di un luogo in cui essere raccolto ed elaborato. Una sfida non banale che potrebbe comportare ingenti investimenti tecnologici. La risposta a questa sfida potrebbe venire dal cloud computing.
Se, come abbiamo descritto, per le sfide tecnologiche più comuni già esistono soluzioni che consentono di superare le barriere più comuni in termini di silos e sistemi legacy, sicurezza e archiviazione dei dati, per altri tipi di sfide le soluzioni sono decisamente più complesse, soprattutto se riguardano la convergenza tra mondo IT e mondo OT.
Con l'introduzione di macchine intelligenti, Big Data e Internet industriale, OT e IT si trovano a dover risolvere lo stesso problema: accedere ai dati industriali. Una esigenza comune che però vede due approcci al dato completamente differenti.
L’IT vede le tecnologie come software, hardware, reti, tecnologie di comunicazione e sistemi che archiviano, elaborano e consegnano informazioni a tutte le funzioni di un'organizzazione. I professionisti dell’OT invece si concentrano su sistemi usati per il monitoraggio e il controllo dei processi produttivi. L’IT potrebbe non comprendere le ragioni per cui l’OT utilizza ancora le apparecchiature legacy e si occupa di soluzioni proprietarie. I professionisti dell’OT invece non hanno una conoscenza approfondita dei sistemi tipici dell’IT, sia per ciò che riguarda la raccolta, l’elaborazione e l’analisi dei dati, sia per ciò che riguarda la cybersecurity.
Eppure, per ragionare davvero in termini di IIoT, Industrial Internet of Things, e soprattutto di data driven manufacturing, la convergenza tra questi due mondi è quanto mai necessaria e doverosa, una condizione imprescindibile che richiede sia scelte tecnologiche condivise sia un approccio adeguato al change management. Dal momento che la maggior parte dei dati necessari risiede sul livello OT, l'approccio "ground-up" è il miglior percorso verso una soluzione IIoT pienamente funzionale che combina le tecnologie OT e IT. La soluzione IIoT non è solo una possibilità teorica, ma una realtà concreta e deve essere costruita su tecnologie che si collocano esattamente all’intersezione tra OT e IT.
Affrontare un percorso di trasformazione verso un nuovo paradigma, quello del data driven manufacturing, ossia della fabbrica basata sui dati, richiede - come abbiamo accennato - di superare alcune sfide ma porta con sé innumerevoli vantaggi che si ripercuotono direttamente sul business in termini di maggiore efficienza dei processi, riduzione dei costi, decisioni più efficaci che innescano migliore e maggiore produttività e reddittività.
Per comprenderne meglio gli impatti, non c’è cosa migliore che esemplificare attraverso alcune specifiche applicazioni concrete, ossia mostrare gli esempi di come è possibile avviare percorsi, e progetti, in ottica data driven manufacturing.
1) Smart design. Il design determina la maggior parte dei costi di produzione di un prodotto. La progettazione di un prodotto inizia con la ricerca e la comprensione delle richieste, dei comportamenti e delle preferenze dei clienti. Questo tipo di dati può essere raccolto sia da Internet (pensiamo per esempio alle condivisioni sui social network che fanno gli stessi utenti e che possono rivelare come viene davvero utilizzato un prodotto una volta immesso sul mercato) sia da fonti IoT (pensiamo per esempio ai wearable device ma anche ai sensori che consentono oggi a qualsiasi oggetto, anche un sofisticato macchinario, di trasmettere dati sul suo utilizzo). Avere a disposizione tutti questi dati può migliorare lo sviluppo, la progettazione, i processi R&D di un prodotto: progettisti e sviluppatori potranno infatti contare su dati reali e concreti relativi al reale utilizzo di un prodotto da parte delle persone.
2) Pianificazione intelligente e ottimizzazione dei processi. La pianificazione della produzione è necessaria per determinare la capacità di produzione di un impianto, nonché la disponibilità di risorse e materiali. Poter raccogliere tutti i dati disponibili in un unico punto per la loro elaborazione (per esempio i dati relativi all’utilizzo degli impianti, alle loro performance, ai consumi energetici, ecc., i dati relativi ai turni del personale, i dati relativi alle disponibilità in magazzino o dei costi delle materie prime, i dati relativi agli ordini di acquisto ed ai flussi di vendita...) offre innumerevoli vantaggi dal punto di vista dell’ottimizzazione dei processi, dell’efficienza e del controllo dei costi, nonché dell’efficacia produttiva. Avendo tutti questi dati a disposizione, le aziende possono sviluppare piani di produzione utilizzando algoritmi di ottimizzazione intelligenti per determinare, per esempio, la configurazione ottimale delle risorse di produzione e le procedure di esecuzione dei processi.
3) Distribuzione e tracciabilità del materiale. Il materiale giusto consegnato all'attrezzatura giusta al momento giusto, in modo che possa essere lavorato attraverso le giuste operazioni. Non è fantascienza! La sfida è riuscire a gestire e tracciare (nonché analizzare) una varietà di dati relativi ai materiali, inclusi dati di inventario, dati logistici e dati di avanzamento. Tutto possibile, oggi, grazie a sistemi di tracciamento intelligenti e la raccolta e l’analisi di dati provenienti da più fonti grazie ai quali raccogliere le informazioni corrette per distribuire correttamente ed in modo ottimale i materiali là dove davvero servono durante il processo produttivo.
4) Monitoraggio del processo di produzione. Il processo di produzione è costituito da più fattori di produzione. Questi fattori (ad esempio, attrezzature di produzione, materiale, ambiente e parametri tecnologici) possono influenzare il processo di produzione e influenzare i cambiamenti nella qualità del prodotto. Oggi, sempre grazie a Big Data, IoT e capacità di analisi avanzate (analisi predittive e prescrittive grazie ad algoritmi di Machine Learning e ad altre tecniche di Intelligenza Artificiale applicate all’analisi di grandi moli di dati e di eventi complessi), è possibile definire preventivamente sia quali saranno i fattori che influenzeranno determinati processi produttivi sia il tipo di impatto che tali fattori potrebbero generare. Esaminando i pattern delle caratteristiche e l’andamento degli eventi anomali in diverse serie temporali, per esempio, è oggi possibile prevedere in anticipo se e quando si verificheranno anomalie di produzione.
5) Controllo della qualità del prodotto. IoT e Big Data Analytics sono alla base anche dei processi di controllo e miglioramento della qualità dei prodotti. Oggi non solo è possibile identificare e rimuovere automaticamente i prodotti di bassa qualità o difettosi, ma è anche possibile eliminare o controllare i fattori che determinano difetti di qualità, evitando quindi che tali casi si ripetano non solo su uno specifico processo ma su tutta la catena produttiva e su altri processi.
6) Manutenzione intelligente delle apparecchiature. L'analisi dei dati può prevedere e diagnosticare con precisione i guasti delle apparecchiature e la durata dei componenti; tali informazioni possono essere utilizzate per prendere decisioni più accurate ed efficaci sul piano della gestione della manutenzione. IoT, Big Data e algoritmi di Machine Learning aiutano a prevedere la tendenza al deterioramento della capacità delle apparecchiature, la durata dei componenti e la causa e l’estensione di certi difetti. Grazie a queste capacità analitiche e previsionali, il paradigma della manutenzione delle apparecchiature viene trasformato da manutenzione passiva a manutenzione proattiva, prolungando così la vita delle apparecchiature e riducendo al minimo i costi di manutenzione (compresi altri tipi di costi come, per esempio, quelli legati ai consumi energetici che rappresentano sempre una importante voce di costo nei bilanci delle aziende manifatturiere).
Mentre i mondi dell’IT e dell’Engineering sono sempre più vicini ed interconnessi, con le rivoluzioni digitali al centro di questa convergenza, l’influenza dell'ingegneria digitale sta delineando i contorni della nuova “industria intelligente”, che oggi ormai chiamiamo Industria 4.0.
In quest’ambito, noi di Modis, mettiamo a disposizione delle aziende non soltanto l’esperienza e le competenze dei nostri ingeneri e consulenti, ma anche dei veri e propri centri di competenza e sviluppo.
La conoscenza delle tecnologie emergenti e abilitanti il paradigma dell’Industria 4.0, ci consente di supportare le aziende nelle varie fasi della trasformazione digitale. Come abbiamo visto analizzando il paradigma del data driven manufacturing, lo scenario industriale sta evolvendo verso una realtà in cui le risorse (impianti, persone, informazioni) saranno sempre più interconnesse e interdipendenti. Ed è proprio grazie a questo importante cambiamento in atto che le imprese industriali e manifatturiere potranno aumentare la loro competitività, produttività ed efficienza.
Come ogni processo di trasformazione, però, serve una visione strategica ed un programma operativo che tenda necessariamente conto dello stato di partenza e del livello di maturità digitale dell’impresa.
Noi supportiamo le aziende a partire proprio da questa valutazione, perché non si può fare la quarta rivoluzione senza avere solide basi e costruire adeguatamente le fondamenta del cambiamento.