Il progetto “Big Data for Manufacturing” (BD4M) integra IoT e Big Data Analytics con obiettivi di efficienza, qualità e manutenzione predittiva in ambito industriale. Realizzato grazie a un bando di ricerca e innovazione del Mise, coordinato dal Competence Center Bi-Rex, ha un valore di 400mila euro, con una buona metà di finanziamento pubblico.
Ha coinvolto l’Università di Bologna, quella di Ferrara e nove aziende - con Bonfiglioli capofila - e ha sviluppato quattro casi d’uso industriali: Bonfiglioli, Sacmi, Robopac e Mep. Il TRL di uscita, cioè il livello tecnologico raggiunto dal progetto della durata di 18 mesi, si attesta tra il 6 e il 7 per dimostrazione della validità delle tecnologie in ambienti rilevanti (TRL 6) e operativi (TRL 7), cioè su macchine in funzione nelle imprese.
La sfida della piattaforma Big Data
La sfida è stata quella di sviluppare una piattaforma Big Data di larga applicabilità nell’Industria 4.0, che “preparasse” all’analisi i dati provenienti da macchine e applicativi diversi (Plm, Crm, Erp), dati poco sfruttati finora, in particolare per rilevare lo stato di funzionamento delle macchine e la produzione.
«Oggi il flusso di informazioni generato dai sistemi aziendali è immenso e ininterrotto, ma si sfrutta solo parzialmente e per analisi relativamente semplici, perché i dati sono molto eterogenei fra loro, spesso non sono strutturati e dunque non sono disponibili ad analisi più complesse», spiega Loredana Attanà, Data Engineer Bonfiglioli, coordinatrice del progetto BD4M.
Gli end-user del progetto sono stati Bonfiglioli, Sacmi, Robopac, Ima, Philip Morris International, BitBang e Poggiolini, mentre i technology service provider Data River - Open source Data Management e Lutech - Cdm.
Dai dati grezzi alle dashboard con indicatori strategici
Grazie allo sviluppo di alcune soluzioni applicative open source, il consorzio ha sviluppato una piattaforma modulare installabile in qualsiasi ambiente computazionale, dal bordo macchina (Edge) al Cloud, in grado di gestire flussi variabili di dati (“workload” dinamici) e di svolgere analisi avanzate e predittive grazie a soluzioni di machine learning.
Grazie alla piattaforma, infatti, si ha accesso a tutte le informazioni rilevanti, integrate da fonti diverse e rese confrontabili fra loro, che sono fornite in tempo reale o quasi, accelerando i processi decisionali. A sua volta, l’identificazione di comportamenti (“pattern”) e correlazioni sulle macchine abilita il rapido riconoscimento di anomalie e dà quindi la possibilità di rilevare malfunzionamenti e intervenire prontamente, fino a forme di manutenzione predittiva.
È inoltre possibile monitorare la qualità della produzione quasi in tempo reale, intervenendo in corso d’opera e con solo con controlli qualità ex post. Così facendo, si aumenta l’efficienza e si riducono gli scarti di produzione. La piattaforma ha due caratteristiche che la rendono così performante.
La prima è uno stoccaggio dati che, da una prima raccolta grezza sulle macchine, passa all’Edge (sistema a bordo macchina), che fa una prima elaborazione; quindi i dati semi processati passano allo stoccaggio successivo a livello di impianto, in premise o in Cloud. In particolare, si attiva un meccanismo di replicazione a livello di Edge, quando un solo storage non basta, fino a spostare al Cloud pubblico i dati processati come rilevanti, secondo indicatori e algoritmi progettati dall’azienda in base ai suoi obiettivi di monitoraggio per prendere decisioni “data-driven”.
Il secondo aspetto, correlato al primo, è un sistema di orchestrazione che indirizza dinamicamente i dati fino alle dashboard di visualizzazione, accessibili e comprensibili non solo ai tecnici IT, ma anche ai manager della qualità, ai controller e a tutti coloro che, grazie ad analisi sofisticate, possono prendere decisioni per aumentare l’efficienza, la qualità e intervenire tempestivamente sulla manutenzione delle macchine.
Big Data: i casi d’uso industriali
La piattaforma è stata testata con successo sulle linee produttive di quattro aziende che, con i dovuti interventi di personalizzazione in base a complessità specifiche, sono diventate casi d’uso.
Bonfiglioli l’ha testata sulla linea di assemblaggio e collaudo di riduttori dell’impianto Evo di Calderara di Reno (BO). La sfida era raccogliere e analizzare dati prodotti dalle macchine per ottimizzare il processo e migliorare la qualità di produzione, in un contesto di complessità per fonti diverse (Mes e warehouse aziendali) e dati non strutturati, come le vibrazioni, raccolti dalla macchina di collaudo. L’intervento si è articolato in tre fasi: preparazione dei dati con allineamento e data set “baseline”; sviluppo di algoritmi di analisi con tutta una serie di specificità da rispettare e training parallelo degli algoritmi per ottimizzare le analisi.
Sacmi ha applicato la piattaforma alla linea ceramica di un impianto pilota dello stabilimento di Imola. La sfida è stata di migliorare e mantenere costante la qualità del processo di produzione delle lastre, riducendo le inefficienze, con l’obiettivo di storicizzare i dati, monitorare il processo e sviluppare nuovi algoritmi automatici per ottimizzare la produzione. I dati principali provenivano dal plc ma anche da annotazioni manuali degli operatori, come misure di laboratorio e di processo, dati da pulire e preparare, allineandoli, definendo data set master e altri più raffinati per sviluppare algoritmi predittivi.
Robopac ha applicato la piattaforma alla macchina avvolgitrice nel Techlab di Castel San Pietro Terme (BO). La sfida era di abilitare soluzioni per la diagnostica predittiva, integrando tutti i dati disponibili sulla macchina, in modo da monitorare e analizzare il consumo della bobina filmica, ottimizzarne l’utilizzo e prevederne i possibili comportamenti.
Mep, azienda marchigiana produttrice di segatrici a nastro, aveva la necessità di monitorare tutta una serie di parametri (velocità del taglio, velocità di discesa del taglio, corrente assorbita, tesatura e altezza della lama) e di prevedere l’usura dei componenti, definendo anche nuove soluzioni digitali da proporre da proporre ai clienti. La piattaforma BD4M è stata sviluppata opportunamente per questo caso d’uso con preparazione dei dati e algoritmi dedicati.
