Quattro modi per reinventare i processi industriali grazie al machine learning - Industry 4 Business

Ripensare l'Industria

Quattro modi per reinventare i processi industriali grazie al machine learning

Gli ambienti industriali possono trarre vantaggi importanti dal machine learning a livello di produzione, operazioni logistiche e supply chain rendendo i processi più facili, veloci e accurati. Vediamo come

18 Ago 2021

Alessandra Antonelli

Come in nessun’altra epoca, la rivoluzione industriale ha portato innumerevoli invenzioni e nuovi prodotti. Mentre veneriamo il telaio, il motore a vapore, l’elettricità o la produzione di massa del modello T di Ford, spesso trascuriamo i meccanismi e i processi che hanno reso possibile la creazione di prodotti così incredibili e le innovazioni che si trovano all’interno di pratiche di produzione comuni come la manutenzione delle apparecchiature, il controllo qualità e l’ottimizzazione della catena di approvvigionamento. Oggi, questi processi sono tanto importanti quanto lo erano più di un secolo fa, ma realizzarli in scala e far fronte alla complessità crescente del mercato globale odierno è sempre più difficile. Grazie alla convergenza di dati e all’apprendimento automatico, queste pratiche sono ora pronte per una nuova rivoluzione.

Ogni giorno, le aziende generano enormi quantità di dati sulla rete edge, archiviano queste informazioni nel cloud e utilizzano tali risorse per ripensare i propri processi. Per ottenere maggiori informazioni e, in definitiva, prendere decisioni più rapide e informate, le aziende nei settori manifatturiero, energetico, minerario, dei trasporti e agricolo sfruttano le nuove tecnologie per migliorare i carichi di lavoro industriali come ingegneria e progettazione, produzione e ottimizzazione delle risorse, gestione della filiera produttiva, previsioni, gestione della qualità, prodotti e macchine intelligenti e altro ancora.

Dall’efficienza operativa al controllo della qualità, ecco quattro modi in cui le aziende utilizzano il machine learning per ripensare i processi industriali:

Manutenzione predittiva dell’attrezzatura

Oggi, una sfida comune a molte aziende industriali e manifatturiere è la manutenzione continua delle loro apparecchiature. Storicamente, quest’attività è sempre stata reattiva (dopo la rottura di una macchina) o preventiva (eseguita a intervalli regolari per evitare rotture delle macchine), con pratiche sia costose che inefficienti. La soluzione migliore, la manutenzione predittiva, offre alle aziende la possibilità di prevedere quando le apparecchiature avranno bisogno di manutenzione. Tuttavia, la maggior parte delle aziende non dispone del personale e delle competenze necessarie per costruire la propria soluzione.

Tutorial
Primi passi sul Cloud? Scopri i tutorial gratuiti dedicati alle piccole e medie imprese per iniziare
Cloud
Digital Transformation

Fortunatamente, per aziende come GE Power, fornitore di apparecchiature, soluzioni e servizi per la generazione di energia, la manutenzione predittiva è a portata di mano. Ora esistono sistemi end-to-end che utilizzano sensori e apprendimento automatico per rilevare e avvisare le aziende riguardo fluttuazioni anomale nelle vibrazioni o nella temperatura dei macchinari, senza bisogno di esperienze pregresse nel mondo dell’apprendimento automatico o cloud. Questo tipo di tecnologia ha aiutato GE Power ad aggiornare rapidamente i propri macchinari con nuovi sensori e a collegarli sul cloud per l’analisi in tempo reale, passando da pratiche di manutenzione basate sul tempo a quelle predittive e prescrittive. Inoltre, più questa soluzione viene implementata in scala, più GE Power può aggiornare e mantenere in remoto la propria flotta di sensori, senza mai doverli toccare fisicamente.

Rilevare anomalie grazie alla computer vision

Altrettanto importante per il corretto funzionamento delle apparecchiature è il controllo qualità. L’ispezione visiva dei processi industriali richiede tipicamente un esame umano, che può essere noioso e incoerente. Per migliorare questo processo, le aziende industriali utilizzano la visione artificiale per fornire maggiore velocità e precisione nell’identificazione dei difetti. Prima d’ora, esistevano barriere che impedivano alle aziende di costruire, implementare e gestire i propri sistemi di anomalia visiva con l’apprendimento automatico. Ora le aziende possono utilizzare soluzioni di rilevamento delle anomalie ad alta precisione e a basso costo in grado di elaborare migliaia di immagini all’ora, individuare difetti e anomalie, segnalarli e permettere all’azienda di intraprendere le azioni appropriate.

Ad esempio, Dafgards, un produttore di alimenti svedese, utilizza la computer vision nella produzione di Billy’s Pan Pizza, una pizza da microonde cotta e confezionata alla velocità di 2 pizze al secondo. In precedenza, utilizzavano un sistema di computer vision per rilevare la corretta copertura del formaggio sulle loro pizze, che però non riusciva a rilevare i difetti sulle pizze con più condimenti. Utilizzando una nuova applicazione di machine learning che sfrutta la visione artificiale, sono stati in grado di migliorare in modo semplice ed economico la loro capacità di ispezione. Questa innovazione ha avuto un tale successo che Dafgards ha esteso l’uso della computer vision a più varietà di pizza e ad altre linee di prodotti come hamburger e torte salate, per citarne alcune.

Migliorare l’efficienza operativa

Molte aziende industriali e manifatturiere stanno cercando di implementare la visione artificiale per ottimizzare l’efficienza e migliorare i processi industriali. Oggi, le aziende esaminano manualmente i feed video nei propri siti industriali per autenticare l’accesso alle strutture, controllare le spedizioni e rilevare condizioni pericolose come potenziali fuoriuscite. Portare a termine queste operazioni in tempo reale non è solo difficile, ma anche costoso e soggetto a errori. Le aziende potrebbero cercare di sostituire le telecamere IP (Internet Protocol) esistenti con telecamere intelligenti con una potenza di elaborazione sufficiente per eseguire modelli di visione artificiale, ma sarebbe costoso e non garantirebbe prestazioni a bassa latenza con una buona precisione. In alternativa, le aziende industriali possono affidarsi a dispositivi hardware che consentono loro di aggiungere la visione artificiale alle telecamere esistenti o persino utilizzare Software Development Kits per costruire nuove telecamere in grado di eseguire modelli di visione artificiale su reti edge.

La società energetica BP sta cercando di implementare la computer vision nelle sue 18.000 stazioni di servizio in tutto il mondo per automatizzare l’ingresso e l’uscita dei camion-cisterna nelle loro strutture e per verificare che l’ordine corretto sia stato evaso. La computer vision può poi aiutare ad avvisare i lavoratori se c’è rischio di collisione, identificare un oggetto estraneo in una zona di esclusione dinamica e rilevare eventuali perdite di petrolio.

Previsioni per l’ottimizzazione della catena di approvvigionamento

Oggi, le catene di approvvigionamento sono complesse reti globali composte da produttori, fornitori, aziende di logistica e rivenditori che richiedono metodi sofisticati di rilevamento e adattamento alla domanda dei clienti, alle fluttuazioni nella disponibilità di materie prime e a fattori esterni come festività, eventi e persino condizioni meteorologiche. Le ripercussioni della mancata previsione di queste variabili espongono le aziende a errori nella fornitura, a perdite economiche e ad esperienze scadenti per i clienti. Le aziende, grazie all’apprendimento automatico, analizzano le serie temporali per godere di previsioni accurate in grado di ridurre le spese operative e le inefficienze, garantire una maggiore disponibilità di risorse e prodotti e aiutare a consegnare prodotti più velocemente e ridurre i costi.

Foxconn, uno dei più grandi produttori mondiali di elettronica e fornitore di soluzioni tecnologiche con sede a Taipei, Taiwan, ha utilizzato il machine learning per affrontare la volatilità senza precedenti nella domanda, nelle forniture e nella capacità dei clienti causata dal COVID-19. L’azienda ha sviluppato un modello di previsione della domanda nel suo stabilimento in Messico per generare previsioni precise sugli ordini. Utilizzando il modello di apprendimento automatico, Foxconn è stata in grado di aumentare l’accuratezza delle previsioni dell’8%, con un risparmio stimato di $ 553.000 all’anno per struttura, riducendo al minimo lo spreco di lavoro e massimizzando la soddisfazione del cliente.

Per massimizzare il potenziale che il machine learning può fornire in ambienti industriali, nella produzione e nelle operazioni logistiche, le aziende si affidano a questa tecnologia per rendere i processi più facili, veloci e accurati. Utilizzando una combinazione di analisi dei dati in tempo reale nel cloud e machine learning sulle reti edge, le aziende industriali trasformano costantemente le loro aspirazioni in realtà e stimolano la prossima rivoluzione industriale.

@RIPRODUZIONE RISERVATA

Articolo 1 di 5