In questo articolo riprendiamo il discorso iniziato con “La trasformazione digitale e l’analisi dei dati” per vedere come l’analisi dati, gli analytics, si prepari a costruire una nuova rivoluzione industriale.
La storia della produzione è una continua ricerca di maggiore qualità, maggiore efficienza e costi inferiori. I miglioramenti in queste aree si presentano sia come salti “a gradino” sia come miglioramenti incrementali (vedere la Figura 1).
Il primo drastico cambiamento avvenne alla fine del XVIII secolo, dapprima con l’uso diffuso dell’acqua e successivamente con la produzione di vapore, che consentì la creazione dei primi impianti di produzione veramente meccanici. Questa Age of Steam, un fattore chiave della rivoluzione industriale, avrebbe dominato per più di cento anni.
All’inizio del XX secolo, i miglioramenti nella generazione affdabile e distribuzione della energia elettrica uniti ai progressi nella progettazione di motori elettrici, annunciarono la morte del vapore dando origine all’Era dell’Elettricità. Questa a sua volta è stato soppiantata negli anni ’70 dall’Era dell’Automazione favorita dai grandi progressi nell’elettronica e nei computer, che portarono ad automatizzare gran parte del processo di produzione.
Ognuno di questi cambiamenti epocali è stato seguito da un periodo di raffinamento, durante il quale i nuovi metodi di produzione sono stati migliorati nel tempo (il lettore attento noterà che l’intervallo di tempo tra ogni nuovo “grande cambiamento” va diminuendo).
Siamo oggi alle porte del prossimo drastico cambiamento, generalmente denominato Age of Connected Manufacturing. Connected Manufacturing si riferisce all’interconnessione, attraverso una comune struttura di comunicazione, di apparecchiature, dispositivi, persone, prodotti e processi; tutto ciò che è coinvolto nella produzione è connesso in modo tale da poter comunicare con tutto il resto. Si tratta di una visione molto diversa dal passato, in cui si era soliti utilizzare protocolli di comunicazione altamente specifici per le singole connessioni peer-to-peer.
Un esempio: la manutenzione predittiva (Predictive Maintenance)
A titolo di esempio, esaminiamo un caso molto rilevante: la manutenzione predittiva. Come è facilmente intuibile, al fine di ottimizzare i tempi di attività e ridurre al minimo i tempi di fermo non pianificati, è necessario mantenere in efficienza le attrezzature di produzione attraverso una scrupolosa manutenzione. I fermi non pianificati risultano particolarmente problematici perché la macchina che smette di funzionare in modo imprevisto influenza tutta la linea di produzione, sia a monte che a valle. E può anche rovinare un buon prodotto. Questa situazione è particolarmente “costosa” verso la fine del processo di produzione, quando ormai molto “valore” è stato aggiunto al prodotto. Scartare un prodotto così tardi nel ciclo di produzione può anche influenzarne la consegna puntuale al cliente con sua genarale insoddisfazione.
Uno degli aspetti critici della gestione della produzione risiede proprio nel pianificare la manutenzione di tutte le apparecchiature di produzione al fine sia di evitare tali risultati negativi sia di garantire il buon funzionamento delle macchine per avere una produzione di prodotti di alta qualità.
Gli approcci convenzionali alla manutenzione prevedono generalmente un programma per l’ispezione e la manutenzione di tutti i componenti di tutte le macchine. Questa pianificazione è fissa e si basa sul tempo medio di guasto per ciascuno dei componenti.
Questo è un approccio ragionevole al problema, ma è subottimale in diversi aspetti:
- La manutenzione programmata sostituisce componenti che potrebbero ancora funzionare per diverso tempo;
- La manutenzione programmata non è efficace nel caso in cui il componente si guasta prima del successivo ciclo di manutenzione;
- L’ispezione manuale delle macchine richiede molto tempo, è costosa e soggetta a errori umani.
Ed è qui che l’analisi dei dati fa la differenza in un ambiente di produzione connesso. Facendo uso di sensori sulle apparecchiature e collegandoli all’infrastruttura di rete, questi possono inviare dati di prestazione e diagnostici ai sistemi di produzione connessi.
Nel primo anello della catena, la macchina stessa, l’analisi dati può identificare le condizioni che generino avvisi sulla necessità di manutenzione. In casi estremi, lo strumento o la macchina può essere arrestata immediatamente, interrompendo il processo e proteggendo il prodotto.
Queste analisi utilizzano modelli predittivi creati tramite l’analisi dei dati a livello aziendale. Tutti i dati di strumenti simili vengono aggregati nel datacenter aziendale e analizzati. I modelli predittivi sono generati e testati usando i dati passati e poi applicati sulla linea di produzione.
Quanto detto si riferisce a una singola fabbrica, ma facendo un ulteriore passo avanti, in un ambiente con più stabilimenti, tutti i dati provenienti da strumenti simili in tutte le fabbriche dell’azienda possono essere aggregati a livello aziendale reale e analizzati in totale. Ciò consente ai dati, alle conoscenze e all’apprendimento da ogni strumento in ogni fabbrica di contribuire alla creazione del modello e al processo decisionale. Questo permette inoltre una visione globale di strumenti e macchine che il management può utilizzare per discutere con i fornitori sui miglioramenti da apportare alle macchine di produzione.
E con un ulteriore passo avanti, i dati di un singolo strumento possono essere inviati al fornitore che li aggrega ai dati provenienti da ogni altro strumento di ogni fabbrica nel mondo. Questo è un potente meccanismo che il fornitore di attrezzature può sfruttare a suo vantaggio, estraendo dalla esperienza collettiva della comunità globale gli elementi per migliorare le sue attrezzature di produzione.
Altra possibilità è quella che i dati delle macchine possano essere inviati a un servizio di terze parti specializzato nella creazione di modelli predittivi. Come modello di business, questa possibilità ha diversi vantaggi. Permette al produttore di esternalizzare un compito difficile che richiede un alto livello di competenza e allo stesso tempo permette agli esperti di dati di applicare il proprio know-how in un modo tale da poter migliorare i processo di produzione per tutti i loro clienti in tutto il mondo.
D’altra parte, il concetto di manutenzione proattiva non è limitata all’interno delle mura della fabbrica. È possibile creare nuove opportunità di business fornendo un servizio di manutenzione predittiva per i prodotti dell’azienda presso i siti dei clienti. Con una infrastruttura connessa come fattore abilitante, è possibile immaginare che un produttore di elettrodomestici o di automobili forniscano un servizio di manutenzione predittiva ai propri clienti. Questa capacità può essere progettata direttamente nel prodotto stesso. Del resto, il concetto stesso di produzione che cessa nel momento in cui il prodotto è stato consegnato, sta morendo. Sempre più spesso infatti, i produttori cercano di estendere le relazioni con i clienti oltre le mura della fabbrica. Usando le loro fabbriche intelligenti e connesse per produrre prodotti a loro volta intelligenti e connessi, i produttori possono interagire con il cliente direttamente attraverso un feedback mirato e indirettamente attraverso i dati di utilizzo.
Questo, in ultima analisi, consentirà alle aziende di manutenere e ottimizzare i loro prodotti sul campo e fornire degli input importanti alla progettazione della prossima versione del prodotto, acquisendo al tempo stesso materia prima per nuove idee di prodotto e nuove linee di business.
