Le tecnologie di big data analytics, intelligenza artificiale (AI) e machine learning (ML) con cui oggi è possibile ricavare conoscenza da grandi moli di dati trovano sempre più applicazione nei processi chiave dell’industria, a cominciare dal miglioramento della produzione.
I sensori sparsi un po’ ovunque in fabbrica, assieme ai sistemi SCADA disponibili da oltre un decennio sono grandi generatori di dati, che purtroppo vengono utilizzati in modo limitato per semplici attività di monitoraggio, per rispondere ai requisiti normativi o generare report. Di fatto, molte aziende hanno enormi quantità di dati archiviati che, grazie a potenza di calcolo, tecnologie d’analisi sofisticate e ML di cui oggi si dispone, potrebbero essere impiegate per risolvere molti problemi e rendere più agile la produzione.
Per tramutare dati esistenti o nuovi in valore concreto per l’impresa servono approcci efficaci sia nella raccolta sia nelle modalità d’utilizzo. I dati di produzione possono risiedere in applicazioni e sistemi aziendali diversi o di terze parti; hanno quindi necessità d’essere correttamente raccolti, aggregati e contestualizzati. I dati analitici ottenuti con le più sofisticate elaborazioni devono poter essere resi accessibili ai naturali fruitori: figure aziendali non necessariamente esperte di IT e data science.
Questo è il compito degli approcci “self service” all’industrial analytics con cui è possibile abilitare responsabili di processo e altri operatori aziendali non specialisti nei dati nel fare ricerche su serie temporali, correlare eventi e annotazioni utili alla gestione di sistemi e impianti. Approcci che comprendono anche strumenti per la rappresentazione visuale dei dati, con rappresentazioni grafiche delle quantità in gioco e di sintesi sul comportamento normale o anomalo dei processi. In questo modo diventa più facile sfruttare gli algoritmi statistici integrati nel software per l’identificazione delle anomalie e le capacità ML dei motori di raccomandazione per disporre di suggerimenti utili per la risoluzione dei problemi.
Un altro vantaggio delle modalità self service è che consentono a un maggior numero di persone di contribuire attivamente ai progetti di miglioramento continuo. Un esempio è rappresentato dal supporto del ciclo DMAIC, per il miglioramento data-driven dei processi che è alla base dei progetti Six Sigma. Disporre di supporti efficaci per l’accesso ai dati analitici consente di accelerare i processi per l’ottenimento di nuove certificazioni, oltre che di tradurre in nuovi vantaggi per la business unit o per l’intera impresa i miglioramenti realizzati localmente nell’ambito di specifici asset, linee di produzione o impianti. Più in generale rende più facili i cambiamenti culturali che accompagnano la trasformazione digitale.
Le soluzioni per accelerare il passaggio all’industria 4.0
Tra i recenti aggiornamenti nel campo delle soluzioni self service d’industrial analytics c’è TrendMiner 2019.R3 rilasciato a settembre, a poco più d’un anno dall’acquisizione della società omonima da parte di Software AG. Lo strumento aggiunge la funzione di Production Cockpit in cui vengono mostrati i processi in corso in relazione con quelli storici oltre agli indicatori di diagnostica, di qualità e di previsione delle produzioni. Pensato per estendere in azienda la possibilità di analizzare i dati, TrendMiner facilita lo scambio d’informazioni tra team operativi e dirigenti, dando accesso contestuale alla conoscenza laddove occorre per prendere rapide decisioni. Con TrendMiner i responsabili dei processi hanno gli strumenti per analizzare i cambiamenti, integrando i dati con quelli di applicazioni come SAP PM, LIMS e altre.
Software AG è oggi impegnata in molti degli ambiti abilitanti per l’industria 4.0 con un insieme di soluzioni e servizi per l’impresa agile e data driven. Tra le componenti chiave della piattaforma Cumulocity IoT, Apama rende possibile analizzare e correlare i dati in tempo reale alimentando le nuove applicazioni aziendali che usano l’AI per azioni automatizzate. Inserita tra i leader nel Forrester Wave dedicato alla streaming analytics, Apama permette la scrittura degli algoritmi sia attraverso un editor testuale per linguaggio di event processing (EPL) che con un nuovo ambiente grafico node-red like molto user friendly. In entrambi i casi i dati vengono elaborati nel momento in cui sono resi disponibili da sistemi o sensori e trasformati in allarmi e automatismi vari.
Sul fronte delle applicazioni industriali IoT è significativo l’impegno di Software AG nella creazione di standard per macchine utensili e impianti di fabbrica attraverso l’alleanza ADAMOS (con DMG MORI, Dürr, ASM, Zeiss e altre aziende impegnate nella robotica). Un progetto nato in Europa per migliorare connessioni, gestione, intelligenza negli impianti di produzione, aperto all’industria mondiale.
Sul fronte dei tool per l’utilizzo dell’IoT in ambito industriale, sono significativi i recenti aggiornamenti fatti da Software AG alla piattaforma Cumulocity IoT, sia per le realizzazioni on premise e di edge computing sia per quelle in cloud SaaS e PaaS. La piattaforma si è arricchita dell’integrazione con la tecnologia di deep learning Zementis, sfruttabile per la costruzione di applicazioni per l’automazione dei processi d’impresa. Zementis permette di eseguire ed alimentare modelli predittivi – sia basati su semplici algoritmi statistici sia complesse eleborazioni deep learning – in applicazioni che richiedono alta velocità nei tempi di risposta, come l’ambito industriale, la fraud detection e la manutenzione predittiva. Altri rafforzamenti alla piattaforma arrivano dagli aggiornamenti al motore di visual analytics Nextgen MashZone, al database in-memory Terracotta e all’Universal Messaging, il tool pensato per integrare dati con differenti protocolli o per renderli disponibili attraverso API.
