MILANO – In cosa si può riassumere il paradigma dell’Industria 4.0 nel ‘chiuso’ della singola fabbrica: indipendentemente, cioè, dalla connettività rivolta verso il mondo esterno?
“In estrema sintesi – ha spiegato Maurizio Venturi, Information Technology Architect di IBM Italia, nel corso del suo intervento a Genius of Things, giornata dedicata all’IoT nell’ambito del recente IBM Think Milano, la otto giorni di maratona tecnologica ideata e organizzata da Big Blue – si tratta di mettere insieme l’Information Technology, con i suoi ‘emblemi’ dell’IP e del wifi, e l’Operation Technology, più legata alla produzione, alle macchine, e ai protocolli tradizionali, come Scada [sistema informatico distribuito per il monitoraggio elettronico di sistemi fisici ndr] o EtherCat [protocollo di comunicazione industriale ad alte prestazioni ndr], fino al cosiddetto ‘machine to machine’ e allo scambio d’informazioni. Unire queste due tecnologie significa innescare un processo di trasformazione digitale che va al di là del robot, della stampa 3D o dei Big Data. Significa anche mettere in comunicazione la produzione con il back office, benché oggi, in molte aziende manifatturiere, l’ambito dell’IT sia ancora la posta elettronica, la fatturazione, la gestione del magazzino”.
Who's Who
Maurizio Venturi
Il passo successivo, nella visione di IBM, è quello dell’introduzione di sistemi di tipo cognitivo, che spesso vengono ancora impropriamente confusi ed etichettati come “intelligenza artificiale”.
“In realtà, però – ha rimarcato Venturi – non si può parlare di AI, ma di sistemi cognitivi: vale a dire di strumenti software, che possono ‘girare’ in fabbrica anche su un tradizionalissimo pc o in cloud e sono caratterizzati da funzioni evolute in queste quattro aree: Understand, Reason, Learn e Interact. A tale proposito, vale la pena precisare che chiamiamo un po’ impropriamente ‘ragionamento’ la capacità del software di correlare dati. La differenza rispetto al passato è che parliamo di qualsiasi tipo di dati: non più solo tabelle, fogli excel o data base, ma anche dati destrutturati, come immagini, foto, file audio. Così come per ‘imparare’ intendiamo che il sistema ha accumulato così tanti dati e ne ha correlati talmente tanti da essere in grado di prevedere, ossia di dotarsi di indicatori per anticipare i funzionamenti futuri”.
Le esigenze delle aziende manifatturiere sono ben note, e sono praticamente le stesse in tutti i mercati, a cominciare dalla riduzione dei costi di produzione, di manutenzione e d’intervento in loco (anche come servizio post vendita di macchinari o prodotti) per arrivare all’innalzamento della produttività.
La nuova dimensione dell’Industria 4.0 fa leva innanzitutto sulla capacità di raccogliere i dati di produzione delle macchine, come la temperatura, la pressione, l’umidità: qualsiasi variabile, cioè, che impatti sulla qualità del prodotto finito.
“Le soluzioni Watson IoT – ha ricordato Venturi – non vanno intese solo come ‘prodotti’, ma come attività a corredo dei prodotti, come progetti di ottimizzazione della fabbrica nell’Industria 4.0. Tre sono le classiche macroaree in cui IBM situa le soluzioni Watson IoT: innanzitutto la disponibilità dei macchinari, degli asset e di tutto quello che costituisce la linea produttiva. Poi l’aumento di efficienza della linea produttiva, con i suoi risvolti anche nell’ambito dei consumi energetici, o di altre risorse, come per esempio l’acqua. E infine l’obiettivo di tenere i costi bassi”.
Un approccio modulare
“Con i nostri clienti – ha spiegato ancora Venturi – portiamo avanti un approccio modulare: dato che queste soluzioni Industria 4.0 possono risultare piuttosto dirompenti all’interno di un’azienda, vanno affrontate a step, perché così sono più facilmente implementabili e realizzabili. Il primo passo, ovviamente, è la raccolta dei dati e il controllo della loro qualità. Capita spesso di parlare con imprese che affermano di avere tutti i dati necessari, poi però si scopre che sono cartacei, oppure che non sono aggiornati o riguardano processi ormai conclusi o modificati. Senza una raccolta di dati omogenei e di qualità non si possono individuare correttamente le variabili che impattano la produzione, stabilire correlazioni e fare previsioni. Dopodiché si tratta di visualizzare queste correlazioni: utilizzando dashboard che non sono quelle tradizionali, perché qui si tratta di mettere nelle condizioni di vedere tali correlazioni di dati (e di capire così le variabili che incidono in un dato momento sul processo produttivo) non solo l’operatore e il responsabile in fabbrica, ma anche chi si occupa degli acquisti, della qualità e del marketing di quel prodotto. Il passo successivo è l’analytics avanzato: non si tratta di far prendere alla macchina decisioni su tutta la produzione bensì di segnalare le eccezioni, quando cioè si sta raggiungendo una criticità”. Finora, il rumore ‘strano’ di una macchina veniva percepito, per lo più, dall’operaio esperto in grado di capire che l’impianto è al limite e fa un suono diverso da quando è a pieno regime. Nella logica cognitiva di Watson IoT, è ora possibile registrare questi suoni ‘irregolari’, inserirli in un software che li verifica e che capisce in anticipo quando stanno per arrivare: “Così si aiuta la produzione con una logica diversa, analizzando quindi dati differenti da quelli consueti, tra cui appunto foto, immagini, suoni. Non ci troviamo più di fronte solo a un mero ‘contatore’”, ha detto Venturi.
Quando l’asset è intelligente
Nella visione dell’IoT for Manufacturing espressa da IBM, tre sono i pilastri sui quali si possono suddividere i benefici che derivano alle aziende manifatturiere grazie al ricorso agli strumenti cognitivi di Watson IoT.
Who's Who
Andrea Boccotti
“Il primo è quello dell’Intelligent asset and equipment – ha illustrato Andrea Boccotti, IoT and Industry 4.0 solution leader di IBM Italia –: il fatto di raccogliere informazioni rendendo così l’asset ‘intelligente’, permettendogli di effettuare le diagnosi in modo automatico e di arrivare quindi al predictive maintenance, riducendo per esempio il downtime della macchina. Come nel caso di un’azienda manifatturiera automotive mondiale che, raccogliendo informazioni relativamente agli asset e agli equipment, ha ridotto del 34% il downtime delle macchine. Il secondo pilastro è il Cognitive process and operations, che mira all’ottimizzazione dei processi attraverso la raccolta di informazioni che permettano di migliorare la produttività. Il terzo, infine, è lo Smarter resource and optimization: dove per ‘risorse’ innanzitutto s’intende la parte energetica, ma può riguardare anche le persone e la loro sicurezza sui posti di lavoro”.
