Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

I modelli as a service nel mondo delle startup

Anche il mondo delle startup guarda alla rivoluzione portata dall’Industria 4.0, con un focus specifico su predictive maintenance e automazione dei processi. L’Osservatorio Startup Intelligence ne ha censite 163: ecco qualche caso italiano

13 Mag 2018

Eliana Bentivegna

In occasione della recente presentazione dei risultati della ricerca dell’Osservatorio Startup Intelligence realizzato dalla School of Management del Politecnico di Milano, un filone di ricerca specifico è stato dedicato ai temi dell’Industria 4.0 e delle startup che si sono messe in gioco, soprattutto per sviluppare quelle componenti che consentono di unire alla dimensione del prodotto anche quella del servizio.
Ecco una sintesi di quanto emerso dallo studio. Questo articolo, nella sua forma integrale, è stato pubblicato su EconomyUp a questo indirizzo.

L’Osservatorio Startup Intelligence ha censito 163 nuove iniziative imprenditoriali, che sono state fondate a partire dalla seconda metà del 2012 e che hanno ricevuto finanziamenti negli ultimi due anni e mezzo (dal giugno 2015 al gennaio 2018). Dal momento che Industria 4.0 è un tema altamente trasversale che coinvolge diversi processi aziendali ed è caratterizzato da una notevole eterogeneità di tecnologie implicate, la ricerca ha condotto un’analisi che ha classificato le startup per ambito applicativo (area di processo a cui è rivolta una determinata soluzione offerta) e per Smart Technology utilizzata.

Inoltre, per quanto riguarda le soluzioni in ambito “gestione della manutenzione”, la manutenzione predittiva si conferma il più importante trend innovativo in questo ambito: raccoglie l’insieme di soluzioni che hanno l’obiettivo di monitorare la condizione degli asset industriali e, sulla base di misurazioni e analisi di segnali, predire i guasti prima che accadano. Pertanto, si è deciso di approfondire lo studio delle soluzioni di manutenzione predittiva segmentandole per le diverse funzionalità offerte (fornitura di sensoristica hardware e servizio di diagnostica (tramite monitoraggio dei dati raccolti), fornitura del solo servizio di diagnostica, fornitura del servizio di prognostica, soluzioni end-to-end (dalla sensoristica alla prognostica).

I risultati della ricerca sono stati presentati da Giovanni Miragliotta e Gianluca Tedaldi, rispettivamente Direttore e Ricercatore dell’Osservatorio Industria 4.0 del Politecnico di Milano, e da Irene Roda, Co-Direttore dell’Osservatorio TeSeM – Tecnologie e Servizi per la Manutenzione.

2,6 miliardi di dollari di finanziamenti a 163 startup

La ricerca sulle 163 startup censiste ha evidenziato finanziamenti che superano globalmente i 2,6 miliardi di dollari con una media di circa 21 milioni di dollari per startup, dimostrando così un grande e crescente interesse sul tema. Dal punto di vista geografico, in Europa non mancano interessanti iniziative imprenditoriali (35,2% del campione), ma il contesto per la crescita si conferma meno favorevole: se negli USA le startup statunitensi (che raccolgono nel complesso oltre l’80% dei finanziamenti totali) vantano una media di 29,8 milioni di dollari/startup, in Europa la media è di circa 3 milioni di dollari/startup.

Le startup italiane si fanno strada nella predictive maintenance

Nell’ambito Predictive Maintenance troviamo cinque startup che hanno partecipato all’evento.

Cohaerentia, spin-off del Politecnico di Milano, rientra nell’ambito del CM Hardware + Diagnostic Solutions e ha l’obiettivo di sviluppare, produrre e commercializzare innovativi sistemi di misura basati su sensori a fibra ottica per la diagnostica predittiva e il monitoraggio integrale o distribuito di complesse linee di produzione ed importanti manufatti industriali o civili. La tecnologia proposta da Cohaerentia e spiegata dal CEO Maddalena Ferrario presenta vantaggi di minima invasività, elevata resistenza meccanica e alla corrosione, immunità alle interferenze elettromagnetiche, remotizzazione e versatilità.

Nella categoria delle Diagnostic Solutions rientrano Exolvia e RMES Analytics: la prima, presentata dal vice presidente Emanuele Dovere, propone uno strumento software innovativo basato sulla modalità Software as a Service per la gestione di tutti i processi di manutenzione: basta una connessione di rete ad un qualsiasi dispositivo fisso o mobile per accedere ad un moderno Sistema Informativo di Manutenzione in grado di coprire tutte le esigenze in maniera veloce, semplice e pratica. Alessio Arata, CEO di RMES Analytics, ha raccontato come la sua startup sia in grado di servire servizi digitali che ottimizzano la gestione di asset fisici basandosi su advanced data analytics e la modellazione di sistemi complessi grazie a un software sviluppato ad hoc, l’RMES Suite appunto.

I-Care, raccontata da Giulia Baccarin, CEO dell’acceleratore Mipu, nasce in Italia nel 2008 dal desiderio dei suoi giovani fondatori di fornire servizi e soluzioni per la manutenzione industriale. Oggi è proprietaria del brevetto Wi-care, trasmettitore wireless di spettri di vibrazione e temperatura: grazie a più di 10 anni di esperienza nel condition monitoring industriale, Wi-care fornisce una soluzione alternativa all’acquisizione manuale dei dati e al monitoring temporaneo online, e viene installato per un monitoraggio spettrale di vibrazione e temperatura in maniera accurata, sicura ed economicamente efficiente in parti di impianto inaccessibili o in condizioni estreme.

Nello stesso ambito dell’End-to-End Solutions figura anche Sentetic: il pitch del CEO Sandro Bovelli spiega come la startup abbia sviluppato una piattaforma digitale di machine learning in grado di prevedere i guasti di una macchina industriale o di una infrastruttura, analizzando i dati in tempo reale. Grazie ad algoritmi di intelligenza artificiale e all’analisi di big data, il sistema osserva i dati di funzionamento di un macchinario, sviluppando in maniera automatica un modello predittivo del normale comportamento di quell’apparato. Nel momento in cui identifica un’anomalia, la segnala prevedendo così dei guasti importanti. L’applicazione migliora continuamente la precisione di riconoscimento e permette di evidenziare nuovi comportamenti anomali, anche se non precedentemente osservati.

@RIPRODUZIONE RISERVATA

Articolo 1 di 3