L’intelligenza artificiale è sempre più presente negli stabilimenti di produzione, dalla manutenzione predittiva alla visione artificiale, fino all’analisi della produzione e alla risoluzione dei problemi assistita dall’AI. Tuttavia, per i responsabili degli stabilimenti la vera domanda non è più se si possa usare l’AI nel settore manifatturiero. La domanda più concreta è se possa risolvere un problema operativo ben definito e apportare miglioramenti misurabili senza interferire con i sistemi di controllo esistenti.
L’AI amplia il ruolo dell’automazione
L’automazione industriale tradizionale è progettata per eseguire in modo coerente una logica predefinita. PLC, piattaforme DCS, sistemi SCADA, azionamenti, sistemi di sicurezza e strumentazione continuano a essere responsabili del controllo dei processi fisici in base a regole stabilite.
L’AI aggiunge un ulteriore livello. Invece di limitarsi a eseguire una sequenza programmata, un sistema di AI può analizzare grandi quantità di informazioni storiche e in tempo reale e individuare correlazioni che potrebbero essere difficili da rilevare manualmente.
Ad esempio, è possibile combinare i dati di produzione con misurazioni delle vibrazioni, corrente del motore, temperatura, registri di manutenzione, cronologia degli allarmi e condizioni operative per individuare schemi associati al deterioramento delle apparecchiature.
Dal punto di vista ingegneristico, questa distinzione è importante. L’AI non dovrebbe essere considerata un sostituto del livello di controllo. Nella maggior parte degli stabilimenti, il suo valore immediato deriverà più probabilmente dal supporto alle decisioni relative al sistema di controllo che dalla sostituzione della logica di controllo deterministica.
Il divario di conoscenze potrebbe essere più importante del divario di manodopera
Molte aziende manifatturiere hanno accumulato decenni di esperienza pratica grazie a operatori, tecnici, addetti alla manutenzione e ingegneri di controllo esperti. Gran parte di queste conoscenze, tuttavia, non è archiviata in database formali.
Queste conoscenze possono trovarsi nelle note di manutenzione, nei registri scritti a mano, nelle procedure di risoluzione dei problemi, nei vecchi disegni, nelle abitudini degli operatori, nei documenti tecnici o semplicemente nella memoria di un tecnico che lavora sulla stessa macchina da 25 anni.
Quando il personale esperto va in pensione, si crea un problema significativo di trasferimento delle conoscenze.
L’AI industriale può potenzialmente collegare i dati delle macchine a manuali, procedure operative standard, cronologia degli interventi di manutenzione, registri degli allarmi e altra documentazione. In questo modo, un tecnico meno esperto può disporre di maggiori informazioni quando indaga su una condizione anomala.
Questo non elimina la necessità di ingegneri esperti. Può invece rendere le loro conoscenze più accessibili durante i diversi turni e nelle varie aree produttive.
A mio avviso, questa è una delle applicazioni dell’AI con il maggior potenziale nel breve termine per il settore manifatturiero: preservare e diffondere le conoscenze operative anziché cercare di automatizzare ogni decisione umana.
I migliori progetti di IA partono da un problema dello stabilimento
Un errore comune è partire dalla tecnologia.
Un’azienda sceglie una piattaforma di IA, sviluppa un progetto pilota, collega alcune fonti di dati e solo in seguito si chiede quale risultato aziendale dovrebbe produrre il sistema.
L’approccio ingegneristico dovrebbe essere capovolto.
Partire da un problema misurabile:
- Quali asset causano il maggior numero di fermi macchina non pianificati?
- Quali deviazioni di processo generano i maggiori costi di scarto?
- Dove i tecnici trascorrono troppo tempo nella risoluzione dei problemi?
- Quali allarmi richiedono ripetutamente il supporto di tecnici esperti?
- Quali attività di ispezione manuale assorbono una quantità significativa di manodopera?
- Dove il consumo energetico è superiore alle attese?
- Quali parametri di produzione sono difficili da ottimizzare con i metodi convenzionali?
Una volta definito il problema, l’IA diventa una possibile soluzione ingegneristica, anziché l’obiettivo in sé.
Un progetto utile dovrebbe infine essere collegato a indicatori dello stabilimento, come tempi di fermo, produttività, resa, scarti, costi di manutenzione, qualità, impiego della manodopera o consumo energetico.
I progetti pilota non equivalgono al valore in produzione
I produttori hanno condotto numerosi esperimenti con l’IA, ma una dimostrazione riuscita non si traduce automaticamente in un sistema di produzione efficace.
Un progetto pilota può identificare correttamente un’anomalia di una macchina usando un set di dati limitato e in condizioni controllate. L’ambiente di produzione è diverso. I sensori possono guastarsi, gli strumenti possono essere ricalibrati, la logica dei PLC può cambiare, le ricette di produzione possono essere modificate, le connessioni di rete possono diventare indisponibili e il personale operativo può reagire diversamente da quanto previsto durante lo sviluppo.
È qui che molte iniziative di IA incontrano difficoltà.
La vera prova non è se un modello di IA funziona in una dimostrazione. La vera prova è se continua a fornire informazioni utili dopo essere stato integrato nelle normali procedure operative dello stabilimento.
Le infrastrutture di automazione esistenti non vanno ignorate
Raramente gli stabilimenti produttivi possono permettersi il lusso di partire da un’architettura pulita.
Un impianto tipico può contenere più generazioni di PLC, controller DCS, HMI, sistemi SCADA, storici, I/O remoti, azionamenti a frequenza variabile, apparecchiature per il monitoraggio delle condizioni, reti Ethernet industriali e dispositivi seriali legacy.
Sostituire queste infrastrutture semplicemente per introdurre l’IA è di solito impraticabile.
Una strategia di retrofit è quindi più realistica. È possibile raccogliere dati dagli storici esistenti, dalle interfacce OPC, dai PLC, dai sistemi di monitoraggio delle condizioni, dai database e da altre fonti disponibili, mantenendo intatta l’architettura di controllo principale.
Questo approccio riduce anche il rischio di introdurre modifiche non necessarie nei sistemi di produzione convalidati.
L’obiettivo dovrebbe essere aggiungere intelligenza attorno a infrastrutture di automazione collaudate, non ricostruire l’intero stabilimento perché è comparsa una nuova tecnologia.
La qualità dei dati determina la qualità dell'IA
L'IA non può rimediare alla scarsa qualità dei dati industriali.
Se i tag degli strumenti sono identificati in modo errato, i timestamp sono incoerenti, i valori dei sensori presentano lacune, gli stati delle apparecchiature non sono documentati o i dati storici sono privi di contesto sufficiente, il modello risultante può produrre conclusioni tecnicamente impressionanti ma fuorvianti sul piano operativo.
Questo problema viene spesso sottovalutato perché i dati di produzione vengono generati continuamente. Grandi quantità di dati non significano necessariamente dati di alta qualità.
Prima di implementare un'applicazione di IA, gli ingegneri dovrebbero capire:
- Da dove provengono i dati
- Come vengono calibrati i sensori e gli strumenti
- Se i timestamp sono sincronizzati
- Come vengono identificati gli stati delle apparecchiature
- Come vengono gestiti i valori mancanti
- Se gli interventi di manutenzione passati sono documentati accuratamente
- Quali persone o sistemi sono responsabili dei dati
- In che modo le modifiche alle configurazioni di PLC e DCS influiscono sul significato dei dati
Un insieme di dati semplice e ben documentato può valere più di milioni di registrazioni prive di un contesto adeguato.
La sicurezza deve restare separata dalla sperimentazione con l'IA
Le conseguenze di una raccomandazione errata dell'IA dipendono in larga misura dall'applicazione.
Usare l'IA per riassumere i registri di manutenzione è fondamentalmente diverso dal permettere che una decisione generata dall'IA influisca direttamente su un arresto legato alla sicurezza.
Nei processi industriali, negli impianti chimici, nelle raffinerie, nelle centrali elettriche e in altri ambienti ad alto rischio, le funzioni di sicurezza deterministiche devono continuare a operare secondo principi ingegneristici consolidati e requisiti di sicurezza applicabili.
L'IA può supportare il monitoraggio, la diagnostica, il rilevamento delle anomalie e il supporto alle decisioni, ma questo non significa che le si debba attribuire automaticamente il controllo delle funzioni di sicurezza.
Un'architettura pratica dovrebbe definire chiaramente cosa l'IA può osservare, cosa può raccomandare e quali azioni devono restare sotto il controllo dei sistemi convenzionali o delle logiche di sicurezza.
I responsabili di stabilimento non devono diventare data scientist
Un altro luogo comune è che i responsabili di stabilimento debbano diventare esperti di machine learning, modelli linguistici di grandi dimensioni e agenti di IA.
Deve capire cosa queste tecnologie possono e non possono fare, ma la sua competenza più preziosa resta quella operativa.
Un responsabile di stabilimento comprende i vincoli di produzione, le priorità di manutenzione, le capacità della forza lavoro, i requisiti di qualità, le esigenze di sicurezza e le conseguenze finanziarie dei fermi impianto.
Queste conoscenze sono necessarie per stabilire se un'applicazione di IA risolve un problema rilevante.
Per questo, i team di implementazione più efficaci riuniscono diverse competenze: operations, manutenzione, ingegneria dei sistemi di controllo, reti IT/OT, ingegneria dei dati, cybersicurezza e specialisti di IA.
I progetti di IA hanno molte più probabilità di successo quando chi sviluppa il sistema capisce come funziona davvero lo stabilimento.
Il ROI va misurato prima di ampliare l’implementazione
Un progetto di IA dovrebbe partire da valori di riferimento definiti prima dell’implementazione.
Per esempio, se la manutenzione predittiva mira a ridurre i tempi di fermo, l’organizzazione dovrebbe stabilire la frequenza, la durata e il costo storici dei guasti pertinenti. Se l’IA viene usata per il controllo qualità, è opportuno documentare il tasso di difetti e il carico di lavoro delle ispezioni attuali.
Dopo l’implementazione, le stesse metriche possono essere confrontate con i valori di riferimento.
Questo rende molto più chiara la decisione di investimento.
Un progetto che riduce di 30 minuti il tempo necessario per risolvere un problema può essere prezioso in uno stabilimento e irrilevante in un altro. Allo stesso modo, ridurre una piccola percentuale di scarti può rappresentare un importante miglioramento economico su una linea di produzione ad alto volume.
Il punto importante è che il ROI dell’IA dipende dal singolo stabilimento e va calcolato in base ai risultati operativi, non alla sofisticazione della tecnologia.
La supervisione umana resterà importante
I processi produttivi sono soggetti a vincoli fisici che non sempre possono essere rappresentati perfettamente nei dati storici.
Un ingegnere esperto può riconoscere che un valore insolito del sensore è dovuto a un problema dello strumento e non del processo. Un tecnico può sapere che una determinata macchina si comporta diversamente durante l’avvio. Un operatore può conoscere una condizione di produzione che non è documentata correttamente nel database.
L’IA può individuare schemi ricorrenti, ma le persone apportano il contesto operativo.
Per questo motivo, mi aspetto che i sistemi di produzione più efficaci seguano un modello con supervisione umana. L’IA individua anomalie, organizza informazioni, suggerisce possibili cause o stabilisce la priorità degli interventi, mentre il personale qualificato resta responsabile delle decisioni con conseguenze operative.
La prossima fase è l’integrazione, non solo l’automazione
Il dibattito sull’IA nella produzione si sta gradualmente spostando oltre i singoli progetti pilota.
La prossima sfida è l’integrazione: collegare le funzionalità di IA all’automazione esistente, ai flussi di lavoro della manutenzione, alla documentazione tecnica, agli archivi di dati storici, ai sistemi di gestione degli asset e alle procedure operative.
Questa integrazione richiederà più del semplice acquisto di una piattaforma di IA. Gli stabilimenti avranno bisogno di responsabilità sui dati chiaramente definite, informazioni standardizzate, controlli di sicurezza informatica, flussi di lavoro documentati e persone che comprendano sia i sistemi industriali sia il software moderno.
È improbabile che i produttori che trarranno maggior vantaggio dall’IA siano quelli che implementeranno il maggior numero di modelli. Saranno invece le organizzazioni che individueranno problemi operativi specifici, collegheranno dati industriali affidabili a tali problemi, convalideranno i risultati con personale esperto e amplieranno l’implementazione solo dopo aver dimostrato un valore misurabile.
