Il paradiso dei dati di fabbrica: in che modo le aziende sfruttano al meglio le informazioni sulla macchina e sulla produzione
Pubblicato il 25 Settembre 2020 a AI
La scienza dei dati strategici è un pilastro essenziale di ogni scenario di Industry 4.0. Un approccio di estrazione dati in quattro fasi basato su CRISP-DM supporta progetti di successo.
Ogni volta che si parla di "Big Data", la maggior parte delle persone pensa subito ai social media o all'analisi del comportamento dei clienti nel commercio online. In realtà, l'analisi dei dati strategici sta guadagnando terreno negli ambienti di produzione. Frost & Sullivan ritiene che l'analisi dei dati nel settore industriale abbia un enorme potenziale. Gli esperti hanno scoperto che l'efficienza della produzione poteva essere aumentata circa del 10%, i costi di esercizio potevano essere ridotti quasi del 20% e i costi di manutenzione potevano essere ridotti del 50% concentrandosi maggiormente sui dati già presenti nel processo di produzione. Il problema però è che sebbene i dati possano essere raccolti e memorizzati negli impianti in modo relativamente facile, la cosa in sé è poco utile e le informazioni importanti nascoste nei dati disponibili vanno perse. Inoltre, spesso c'è carenza di budget e di personale da dedicare a questa attività. Tuttavia, chi supera questi ostacoli e si concentra sulla scienza dei dati industriali potrà presto acquisire nuove conoscenze e trasformare l'ambiente di produzione in un paradiso dei dati.
Approccio al progetto sulla scienza dei dati: preparazione, analisi e sviluppo di applicazioni, valutazione e manutenzione
La scienza dei dati industriali è una disciplina piuttosto nuova. Questo è il motivo per cui non esiste ancora un approccio universalmente valido per ogni azienda. Ogni soluzione e applicazione richiede analisi e modellazione dei dati personalizzate per ottenere i migliori risultati possibili. Tuttavia, è utile un approccio standard: il modello CRANY-DM (Cross-Industry Standard Process for Data Mining) è l'approccio più comune, che OMRON ha semplificato e personalizzato in un approccio del tutto nuovo. Le quattro fasi di questo approccio includono preparazione, analisi e sviluppo delle applicazioni, valutazione e manutenzione. Ulteriori informazioni su queste fasi sono disponibili nell'infografica.Fase 1: preparazione
La fase di preparazione è la più importante. Un progetto di scienza dei dati non avrà mai successo se l'obiettivo non è chiaro. Pertanto, in questa prima fase importante, tutti i partecipanti e gli esperti del settore prima affrontano il problema o il requisito specifico per poi raggiungere un obiettivo del progetto chiaramente definito. In seguito, analizzano nel dettaglio la macchina e/o il processo di produzione per ottenere una panoramica dei dati già disponibili e di quelli che devono ancora essere raccolti. In questo processo, è possibile raccogliere e analizzare un set di dati iniziale come una sorta di studio di fattibilità. Al termine della fase di preparazione viene prodotto un report che fornisce informazioni sul valore generato previsto e un ROI realistico.Fase 2: analisi e sviluppo delle applicazioni
Successivamente, i dati vengono raccolti in un periodo di tempo più lungo al fine di ottenere un'immagine rappresentativa del comportamento della macchina e del processo. A seconda dell'obiettivo del progetto, una pipeline di dati contiene le seguenti fasi:
- Raccolta dei dati: i dati vengono raccolti da varie fonti, dai dati non elaborati dei sensori alle informazioni provenienti dai sistemi MES.
- Pre-elaborazione dei dati: i dati raccolti vengono preparati per la fase di analisi, trasformati, uniti e puliti.
- Analisi dei dati: vengono applicati gli algoritmi di analisi sviluppati e i modelli di machine learning.
- Applicazione: i risultati e le conclusioni dell'analisi dei dati sono resi disponibili. Alcuni esempi sono le visualizzazioni personalizzate in base alla situazione, al gruppo di riferimento o come feedback sulla macchina.
I modelli di machine learning necessari possono essere preparati e convalidati insieme alle altre fasi di elaborazione dei dati. Se la convalida ha esito positivo, è possibile sviluppare un'applicazione in base alla pipeline di dati descritta, che può essere facilmente implementata ed eseguita.
Fase 3: valutazione
L'applicazione viene utilizzata nell'ambiente di produzione e vengono valutati le prestazioni e i risultati aziendali. Se le prestazioni non soddisfano le aspettative, le fasi di progetto precedenti vengono eseguite nuovamente.Fase 4: assistenza e manutenzione
Anche le modifiche ai processi di produzione e il comportamento delle macchine sono soggetti a costanti variazioni nel tempo dovute agli aggiornamenti o all'usura. Pertanto, è necessaria una convalida periodica per garantire che la soluzione funzioni in modo realistico e conservi il suo valore. Inoltre, la quantità di dati disponibili è in aumento e spesso possono essere sviluppati modelli migliori. Di conseguenza, i modelli esistenti (machine learning) devono essere rivisti regolarmente.Esempio pratico di linea SMT
Una soluzione basata sui dati non deve necessariamente includere modelli di machine learning o intelligenza artificiale. A volte è sufficiente elaborare i dati in modo efficace e fornire le informazioni appropriate al momento giusto nel modo corretto. Un esempio illustrativo di un progetto di scienza dei dati è riportato nel white paper "Data Science Services by Omron – How to get the full value from your factory floor data" (Servizi della scienza di gestione dei dati di Omron – Ottieni il massimo dai dati di fabbrica), disponibile per il download gratuito. Il progetto è stato condotto presso l'impianto Omron Manufacturing of the Netherlands (OMN) su linee con tecnologia a montaggio superficiale (SMT) in cui i componenti elettronici sono montati e saldati su schede a circuito stampato (PCB).Solo le soluzioni più comunemente utilizzate sviluppano il loro pieno potenziale
Sviluppare il potenziale di Big Data nell'ambiente di produzione non è facile, ma ne vale la pena. Non basta raccogliere dati e creare grafici: occorre selezionare le informazioni rilevanti per la produzione tra i dati disponibili e presentarle ai destinatari giusti nel modo appropriato. La chiave è trasformare i dati in informazioni utili. Questa operazione richiede la stretta collaborazione tra scienziati dei dati ed esperti del processo di produzione. Solo in questo modo sarà possibile sviluppare una soluzione di successo, diffusa e che generi valore a lungo termine.
Per ulteriori informazioni su come sfruttare al massimo i dati del settore, consultare il white paper Omron più recente:
