L’AI per l’ottimizzazione della produzione: come partire da dati di qualità

All’Intelligenza artificiale servono dati consistenti per elaborare previsioni attendibili su basi statistiche e suggerire azioni correttive sul campo o guidare decisioni strategiche nelle Operations di una impresa.

La Demo Experience di MADE Competence Center Industria 4.0, organizzata in collaborazione con Fasthink, Zerynth e Quin, dedicata a “L’AI per l’ottimizzazione della produzione” è partita proprio dalla presentazione di tecnologie per la raccolta dati dal campo, in modo da fornire alle soluzioni AI dati puliti e di qualità per ottimizzare ed efficientare i processi produttivi e gestionali. Connettere correttamente dati di campo con gestionali e con soluzioni di AI offre vantaggi anche alle PMI:

• La tracciabilità e il monitoraggio costante dei dati di produzione rendono tempestivi gli interventi in caso di anomalie e rallentamenti, evitando perdita di produttività e fermi macchina con una manutenzione predittiva. Questo approccio garantisce anche una maggiore uniformità di prodotto. Si riducono gli scarti e i malfunzionamenti, quindi si consuma meno e si riducono le emissioni in direzione della sostenibilità ambientale.
• La connessione tra informazioni gestionali (ordini di lavoro) ed effettivi dati di campo, rilevati con sensori (IoT), permette di ottimizzare gli input forniti alle macchine. Per esempio, si può agire su una maggiore saturazione degli impianti in relazione agli ordini di lavoro. Quindi si può ottimizzare l’approvvigionamento dei materiali e l’impiego degli AGV per la loro movimentazione, riducendo i tempi morti e aumentando efficienza e produttività.
• È possibile una pianificazione avanzata (predittiva) della produzione, con modelli di AI che analizzino le serie storiche, variabili comuni come stagionalità e promozioni, ma anche ulteriori elementi dinamici che potrebbero incidere sulla previsione della domanda (“Demand Forecast”) e su una pianificazione più precisa e puntuale di approvvigionamenti e produzione (“Sales&Operation Planning”).
  
  

La Demo Experience di FasThink: collegare i dati di campo ai sistemi gestionali

Nella demo experience in MADE4.0 è stato mostrato un sistema di Pick to Light (sistema di prelievo assistito con etichetta elettronica) e un eKamban (riassortimento digitale) collegati al MES aziendale, tramite Connect Orchestrator di FasThink, per l’assemblaggio di valvole di oleodinamica. In questo modo si riducono gli errori umani, si supporta il turn-over di personale non specializzato con centri di lavoro assistiti e si ottimizzano gli assortimenti e i flussi di produzione. Attraverso la propria piattaforma, infatti, FasThink connette tra loro tecnologie IT e OT in produzione e intra-logistica. Questa infatti fa da ponte tra le tecnologie di campo collegate alle macchine e i software gestionali ERP, WMS o MES. Connect ha già integrate alcune soluzioni di AI per la data analytics e, per esempio, per la digitalizzazione della conoscenza del manutentore, che spesso non è patrimonio comune. Un tool basato su reti bayesiane, secondo la logica di causa-effetto, in caso di difetto di prodotto pone domande all’operatore finché non trova la causa più probabile. Nel tempo le domande si riducono, perché il sistema avrà appreso la casistica con le diverse probabilità di accadimento. Il software funziona sia in ambiente virtuale on premise, cioè nel perimetro aziendale, sia in cloud, a seconda delle esigenze aziendali di maggiore o minore velocità di risposta e di analisi avanzata dei dati a supporto delle decisioni.

Casi di applicazione

Kion Group, che produce attrezzature per la movimentazione di materiali, ha digitalizzato il proprio sistema di kamban, ossia la gestione delle scorte e il riassortimento in produzione, che soffriva di storiche inefficienze (latenze sensibili, tempi morti e ritardi). Attraverso la digitalizzazione del sistema con cartellini elettronici in Cloud, connesso attraverso Connect al gestionale aziendale Sap, la sede centrale di Kion in Germania ha efficientato i propri processi. Con monitoraggio in tempo reale dei processi e ottimizzazione delle scorte.
Nel caso di Robopac, società di San Marino produttrice di macchine per il packaging, invece, il Warehouse management system non funzionava in modo ottimale per mancanza di alcune informazioni dal campo, che Connect ha fornito integrando più tecnologie. I benefici sono stati molteplici: automazione e digitalizzazione del flusso logistico, migliore visibilità dei processi e monitoraggio delle performance, aumento dell’efficienza operativa e maggiore flessibilità, riduzione degli errori manuali e dei costi operativi, riduzione dei costi di stampa, più sostenibilità.

La Manufacturing Intelligence Platform di Zerynth valorizza i dati di campo e aumenta la produttività

Zerynth propone un percorso (lo “Zerynth Journey”), che raccoglie i dati rilevanti della produzione per trasformarli in informazioni utilizzabili in modo strategico per aumentare la produttività, principale sofferenza dell’economia italiana. L’azienda offre soluzioni accessibili anche alle aziende con macchinari obsoleti, non connessi a software. È possibile infatti la rilevazione di impulsi elettrici, per esempio con pinze amperometriche, per raccogliere tempi e consumi da sottoporre ad analisi avanzate. Poiché spesso il dato utile si nasconde in mezzo a una grande mole di dati, Zerynth fornisce una visione completa e oggettiva della fabbrica. Raccoglie dati e analizza costi e consumi non solo dai macchinari di produzione, e non solo da quelli connessi 4.0, ma da tutti gli impianti, comprese le sorgenti di energia, le postazioni degli operatori e le macchine di servizio (compressori, chiller, ventilatori), dove spesso si nascondono sacche di inefficienza. Quindi, grazie alla piattaforma di Intelligence Manufacturing, guidata da Intelligenza artificiale e collegata a un IoT aziendale, si automatizza il processo di raccolta dati e si aumenta l’efficienza aziendale anche energetica, in conformità ai principi ESG come richiesto dal Piano di Transizione 5.0. In questo modo si diventa anche più attrattivi per i finanziamenti e si favorisce una crescita aziendale efficiente e sostenibile. Il percorso prevede degli step intermedi e dei focus group per l’estrazione dei KPI rilevanti per l’azienda e un’analisi sempre più avanzata dei dati, con un ottimizzatore di tempi e consumi e l’integrazione allo ERP e MES aziendali, spesso sottoutilizzati. Oltre ad azioni di Machine monitoring, Production Insights e Machine Control, è disponibile il nuovo modulo di Work Order Management, che monitora e analizza gli ordini di lavoro: tempi di esecuzione, costi, consumi, produttività, sostenibilità e tracciamento. La piattaforma è dotata anche di Zero, il copilota industriale di AI generativa che fa risparmiare tempo e risorse, sempre in ottica 5.0 “Human-Centric”.

Caso di applicazione

Armal, azienda di Certaldo (FI) che produce bagni mobili in materiali plastici. L’obiettivo era quello di ridurre i consumi energetici e di misurare in automatico la produttività di due presse gemelle per lo stampaggio a iniezione, con vent’anni di vita, non connesse alla rete. Con una operazione di retrofitting è stata installata una tecnologia IoT con raccolta degli impulsi elettrici per il monitoraggio dei macchinari, del ciclo produttivo e del sistema di illuminazione. Si è potuti così intervenire su sacche di inefficienza con un risparmio energetico del 40% e un aumento di produttività della pressa più lenta, che aveva semplicemente una resistenza esaurita che rallentava la produzione. In quattro mesi di produzione, che ora è monitorata in real time insieme ai consumi energetici dalla Manufacturing intelligence Platform di Zerynth, Armal ha recuperato l’investimento in IoT.

Quin: dal Planning all’Execution con sistemi transazionali potenziati da AI

Quin è specializzata in sistemi transazionali per il governo delle Operations nella Supply Chain, come la pianificazione della domanda e il Sales&Operations Planning (S&O). Di recente ha acquisito QGS, che sviluppa sistemi informativi e agenti di AI su tecnologia Microsoft. Il Value Workflow Analysis – Scor model di Quin è già un’analisi statistica, basata su dati storici, ora potenziata da algoritmi di machine learning che considera variabili endogene, come la stagionalità e le promozioni ed esogene, come il Pil. L’inflazione, le normative, le festività. L’obiettivo è misurare gli scostamenti delle previsioni di vendita basate solo su dati storici, tenendo conto di tutte queste variabili dinamiche e quindi correggere in automatico la pianificazione della domanda. Gli algoritmi non sostituiscono solidi sistemi gestionali, ma possono potenziarli, con previsioni più accurate, in situazioni complesse da gestire per una maggiore variabilità (più variabili o interazioni più articolate). La selezione delle variabili esogene di cui valutare il grado di probabile correlazione con i flussi previsionali tradizionali dipende anche alla creatività umana, non sostituibile dalle macchine.

Casi di applicazione

Latteria Soresina, per esempio, che fa un’analisi avanzata delle previsioni di vendita e quindi della pianificazione della produzione con la piattaforma Quantum di Quin, ha aggiunto la variabile di richiesta di ricette con il burro. Da una ricerca e un confronto su Google è emerso che i picchi di richiesta di ricette con uso del burro combacino con i picchi previsionali proprie vendite dell’azienda.
A sua volta Sedapta, partner di Quin, che sviluppa software per l’ottimizzazione dei processi, ha inserito l’assistente virtuale Lumi nel Demand Forecasting. L’AI impara dagli errori umani (sovrastima o sottostima di vendite) e guida l’analista per ridurre gli scostamenti tra previsione di vendita e vendita effettiva.

Un’altra azienda, in procinto di inserire nuovi prodotti sul mercato, ha fatto una ricerca tramite algoritmi di clustering bastati su machine learning, per trovare similarità nella coppia prodotto-cliente, con grado di marginalità e penetrazione sul mercato per ottimizzare il nuovo prodotto e/o intervenire con strategie più efficaci nell’ingresso sul mercato. Il medesimo approccio si è avuto in un’azienda di componentistica meccanica di precisione, con moltissimi prodotti simili, di cui si è stimata la marginalità con tecniche di machine learning (Python). Sono state cercate le relazioni tra le caratteristiche dei clienti e dei prodotti che hanno avuto una determinata marginalità nell’anno, estendendo le previsioni ad accoppiate simili, ma anche fornendo un quadro completo sulle marginalità e offrendo informazioni utili al management per intervenire sulle basse marginalità. Infine, gli agenti di Business Intelligence integrati ai software aziendali esistenti sono già di grande aiuto per dare risposte sintetiche a domande semplici e dirette (visualizzano i dati, li interpretano, spiegano gli indicatori e forniscono suggerimenti). Inoltre selezionano i report aziendali inerenti a un determinato processo o area aziendale.