L’AI in industria

Le applicazioni di AI industriale sono varie e possono portare innumerevoli benefici, a fronte di un investimento in dati e soluzioni data-driven. L’intelligenza artificiale può supportare il team operativo , rendendolo più efficiente e più focalizzato sul portare valore senza perdersi in lavori meccanici. Le soluzioni di anomaly detection e manutenzione predittiva diminuiscono il tempo di intervento e l’incidenza degli episodi a correttiva, mentre l’AI applicata ai sistemi di gestione energetica supportano gli energy manager nell’identificare e garantire un saving dei consumi e una maggiore efficienza. Anche nella gestione di processo l’AI può giocare un ruolo importante, ad esempio aumentando la performance degli impianti e minimizzando l’OEE.

Però sviluppare soluzioni data-drive più o meno approfondite è un costo, e soprattutto quando si parla di applicazioni industriali, spesso non esistono sistemi plug-and-play pronti all’uso che possano essere solidi ed efficienti. Come si fa?

Personalizzazione come chiave di successo

Ogni azienda e fabbrica ha le sue caratteristiche, la sua struttura dati e le sue procedure. Le soluzioni di AI industriale dovrebbero essere studiate per integrarsi in modo naturale in quello che esiste già, con sviluppi ad hoc. Questo ha alcune naturali implicazioni, da non sottovalutare:

1. Il sistema in cui si vanno ad innestare deve essere maturo dal punto di vista della raccolta e della gestione dei dati
2. Le persone che utilizzeranno la soluzione devono essere informate, ingaggiate e coinvolte
3. Deve essere presente un team di data science dedicato, che sia interno o esterno, con le giuste competenze per costruire modelli
4. Le aspettative sull’AI sono altissime, ma si possono raggiungere solo con un numero sufficiente di dati e di ore dedicate allo sviluppo

Ipotizzando di esternalizzare lo sviluppo, cerchiamo di fare ordine su cosa serve per rendere il team di data science in grado di sviluppare, e come gestire le aspettative legate all’applicazione dell’AI.

Checklist per capire se siamo pronti

Per ogni differente soluzione, ci sono gradi e livelli di maturità differenti da garantire. Cerchiamo quindi in modo pratico di fare una lista delle cose da verificare per capire se siamo pronti per pensare di adottare soluzioni data-driven, e se ne vale la pena.

Controllo energetico e monitoraggio evoluto: intercettare le inefficienze

Le soluzioni di controllo e monitoraggio partono da una base dati relativamente limitata, a seconda del tipo di monitoraggio che si vuole ipotizzare. Sono anche più semplici da sviluppare e più standard, per cui più facilmente scalabili. Tuttavia, il monitoraggio da solo agisce principalmente sulla riduzione dei tempi di analisi e controllo. Utile, se dedicate ore ogni giorno per la valutazione dei KPI o la remotizzazione dei dati a mano su fogli di carta – succede più spesso di quello che vogliamo ammettere – ma con poco margine di beneficio in termini economici diretti.

Le domande che ci si deve porre sono le seguenti:

• Sono presenti i multimetri per l’energia, i flussimetri e i termometri principali per caratterizzare i flussi energetici?
• Sono raggiungibile da rete esterna?
• E’ possibile utilizzare soluzioni in cloud o per indicazioni di sicurezza si deve mantenere tutto on premise?
• Le persone sono disposte a utilizzare un sistema online per controllare il sistema?
• C’è uno storico registrato da qualche parte di 6-9 mesi?

Ovviamente, senza dati è inutile ragionare su soluzioni AI, sarà invece necessario esplorare la possibilità di sensorizzare i sistemi. Se i sensori ci sono – anche nei controller delle macchine – ma non si possono raggiungere dall’esterno, oppure non si può lavorare in cloud, è necessario un approfondimento con l’IT per capire l’infrastruttura migliore. Se le persone sono spaventate dai sistemi di monitoraggio online, sarà utile investire prima in una campagna di formazione e sensibilizzazione. Se invece tutte le condizioni sono raggiunte, si può pensare di procedere e sviluppare soluzioni in grado di intercettare inefficienze in real time, con le varie strategie disponibili.

Anomaly detection e manutenzione predittiva: prevedere in anticipo i guasti

Le soluzioni di anomaly detection e di manutenzione predittiva sono più complesse da sviluppare, perché ogni macchina si guasta in un suo modo tutto particolare, pertanto il volume di dati necessario è molto più alto rispetto a una soluzione di controllo performance. I benefici ottenibili sono tuttavia molto interessanti. Mappiamo il costo legato ai guasti e agli interventi manutentivi di un asset in base a costo per intervento e probabilità che il guasto si presenti o periodicità dell’intervento. Le soluzioni di AI vanno ad agire principalmente su probabilità e periodicità – i guasti inattesi capitano meno frequentemente – diminuendo quindi il costo complessivo.

Vediamo cosa serve per fare sì che una soluzione di manutenzione predittiva sia cost effective:

• Sono disponibili i dati storici dei principali parametri di processo – temperature, vibrazioni, portate, tensioni, assorbimenti, sistemi di controllo e simili?
• E’ disponibile un EAM (Enterprise Asset Management) o un CMMS (Computerized Maintenance Management System) con i modi di guasto storicizzati per componente?
• E’ possibile utilizzare soluzioni in cloud o per indicazioni di sicurezza si deve mantenere tutto on premise?
• I tecnici di manutenzione conoscono i sistemi e sono disposti a collaborare nella fase di costruzione e validazione del modello, supportando il team con la loro competenza di dominio?
• I dai di processo e i dati di guasto sono storicizzati per un periodo sufficiente – ad esempio 12-24 mesi?
• Gli episodi di guasto sono sufficientemente numerosi – almeno 3-5 episodi per modo di guasto nello storico?

Come prima, i dati di processo sono indispensabili per costruire una soluzione di anomaly detection o manutenzione predittiva. Anche l’ingaggio del team in queste applicazioni è molto importante, in quanto la validazione e la gestione del ciclo vita dell’asset intangibile diventa fondamentale.

Se invece mancano i dati di guasto, ci sono strategie per costruire soluzioni comunque capaci di fare previsioni; saranno però meno capaci di prevedere lo specifico modo di guasto e relativa diagnosi, necessiteranno di una validazione più lunga e potrebbero essere lievemente più costose nell’implementazione e nel mantenimento.

Ottimizzazione di processo: minimizzare gli scarti o i consumi, massimizzare il profitto

Le soluzioni di ottimizzazione sono le più interessanti dal punto di vista della fabbrica, perchè agiscono direttamente sui costi di processo andando a diminuirli con una migliore regolazione. Se si vuole sviluppare un sistema di ottimizzazione su impianti che prevedono una regolazione manuale, il consiglio è comunque mantenere l’operatore come garante della scelta finale, tuttavia l’AI può fornire un suggerimento molto articolato su come regolare i vari sistemi in modo da raggiungere l’obiettivo.

Ecco quello che bisogna garantire per una soluzione efficace:

• I dati delle principali regolazioni e setpoint di impianto sono storicizzate?
• Esiste registrato e storicizzato il valore dell’indicatore di riferimento che si intende ottimizzare?
• I dati che influenzano l’indicatore – ad esempio ricette, volumi, occupazione, turni – sono registrati e storicizzati?
• E’ possibile utilizzare soluzioni in cloud o per indicazioni di sicurezza si deve mantenere tutto on premise?
• Gli operatori di impianto sono disposti a collaborare nella fase di costruzione e validazione del modello, supportando il team con la loro competenza di dominio?
• I dati sono storicizzati per un minimo di 12-15 mesi?
• I dati sono ad una frequenza al minimo oraria?

In questo caso tutti gli aspetti sono ugualmente importanti, in quanto i sistemi di ottimizzazione si strutturano su modelli previsionali che devono imparare con precisione a timare il comportamento futuro di goni asset in base al contesto operativo.

Dati, software, persone

Riassumendo quindi, le tre cose che si devono verificare per essere sicuri di poter sviluppare una soluzione di AI industriale sono tre:

1. Dati, che siano rappresentativi, di qualità, storicizzati da qualche parte e facili da utilizzare
2. Sistemi informativi che registrino guasti, ricette, indicatori di performance o di qualità, in modo da disporre delle informazioni di contesto principali
3. Persone motivate e ingaggiate, che possano supportare il team di sviluppo e validare il sistema una volta online

E’ buona prassi organizzare interventi di formazione e co-progettazione con i team operativi in modo da identificare quali potrebbero essere soluzioni di impatto, in modo da costruire soluzioni utili che valorizzino l’esistente.