,allowExpansion)
Abbiamo visto come, attraverso un approccio graduale, è possibile costruire diversi casi d’uso più o meno complessi che possono portare: ad un monitoraggio base o avanzato dei macchinari, all’efficientamento della produzione, all’ottimizzazione delle attività manutentive ed infine al calcolo di KPI utili al supporto delle decisioni. Il tutto, con l’obiettivo di raggiungere i 2 outcome principali di un’impresa: Incrementare i Ricavi e/o Diminuire i Costi. Nel panorama Industrie 4.0, l’unità di business IoT di Blue Reply supporta le imprese nella realizzazione di soluzioni smart in ottica I4.0, sia nelle fasi preliminari (attraverso un supporto consulenziale atto ad identificare le aree di inefficienza e le soluzioni che portano ad un miglioramento) sia in fase di realizzazione con l’implementazione della soluzione scelta.
Tutti gli impianti industriali di ultima generazione nascono già in un’ottica di interoperabilità grazie al quale possono fornire a sistemi terzi quelli che sono i suoi dati telemetrici come vibrazioni, temperature interne, consumi energetici, durate effettive del ciclo macchina, ed altro ancora. Inoltre, per la maggior parte degli impianti datati o chiusi che non forniscono a sistemi terzi questi dati, esistono sul mercato diversi sensori che possono essere adoperati in simbiosi con l’impianto stesso (operazione di retrofitting). L’analisi del solo dato telemetrico è il primo step e rappresenta un buon punto di partenza per la riduzione di costi; ad esempio, monitorando ed analizzando il semplice consumo energetico di un impianto, è possibile valutare se la componente reattiva è significativa rispetto alla componente attiva, e in tal caso, procedere con un rifasamento dell’impianto. Grazie a questa “semplice” attività, è possibile andare a ridurre quello che è il costo energetico legato alla produzione.
Tuttavia, il solo dato telemetrico, potrebbe non essere sufficiente in altri contesti; ad esempio, si pensi ai dati di temperatura di un stampo utilizzato da una pressa per la produzione di componenti di plastica. Temperature troppo alte possono portare al danneggiamento delle molecole dei polimeri generando delle striature sul componente. Tuttavia, il troppo alto è un concetto relativo in quanto dipende dal tipo di materiale si sta lavorando. Come secondo step, possiamo arricchire il dato telemetrico (la temperatura) col dato di produzione (MES – cosa sto producendo), col dato di composizione (PLM da quali materie prime è composto) in modo da effettuare un’analisi più accurata che mi permetta di decidere se fermare la produzione in quanto l’impianto sta lavorando “fuori-soglia” per quel materiale col rischio di produrre pezzi difettosi che dovrò buttare.
Con gli esempi precedenti, abbiamo definito 2 possibili casi d’uso che ci possono aiutare con la riduzione dei costi di produzione. Tuttavia, proviamo ad immaginare un terzo step: abbiamo connesso i nostri macchinari (o sensori), siamo integrati con tutti i sistemi IT dell’impresa (MES, ERP, PLM, CCMS, WMS, ecc), per cui abbiamo la possibilità di costruirci col tempo una grande base dati (big data) che metta in correlazione dati telemetrici con dati di produzione, pianificazioni, dati di manutenzione, dati sui materiali utilizzati. Grazie a questa base dati, possiamo abilitare nuovi casi d’uso che supportano le decisioni di plant manager, responsabili di manutenzioni, pianificatori, ecc che portano ad una ottimizzazione del parco macchine, alla riduzione dei fermi macchina non previsti e alla riduzione di produzione dei pezzi difettosi.
Ad esempio:
Ottenere un calcolo accurato dell’indice di efficienza della produzione (OEE - Overall Equipment Effectiveness) e delle sue componenti su tutti i livelli, partendo dal singolo macchinario, passando dalla linea di produzione e al reparto, fino a livello di plant; grazie a tutte le informazioni registrate, sarà possibile individuare la causa che ha causato la riduzione di questo indice prestazionale ed agire di conseguenza;
Basandosi sui dati storici, è possibile definire dei modelli matematici che vadano a predire il tempo medio di fallimento di un macchinario reale (MTBF) che può differire da quanto dichiarato dal produttore. In questo modo, si potrà pianificare al meglio l’attività manutentiva sul macchinario andando quindi a ridurre i fermi macchina imprevisti.
Valutando gli ordini ricevuti e relative priorità, la disponibilità dei macchinari, il materiale disponibile in magazzino, è possibile pianificare quelli che saranno i job di produzione nella settimana corrente.
Infine, proviamo ad immaginare un quarto step: automatizzazione delle attività manuali a basso valore aggiunto, come movimentazione di materiale dai reparti, prelievo e deposito nelle locazioni di magazzino, ecc. Utilizzando dei tag a radio frequenza come etichette RFID o beacon in combinazione con antenne/gate RFID o ricevitori beacon, è possibile rilevare in automatico la movimentazione di materiale da un reparto all’altro, andando ad aggiornare automaticamente i sistemi. Inoltre, demandando la movimentazione fisica del materiale a robot collaborativi a guida autonoma (come AGV – Autonomous Guided Vehicle - o AMR – Autonomous Mobile Robot), è possibile efficientare la forza lavoro del proprio personale spostandolo su attività non automatizzabili o su attività critiche (come le ispezioni di qualità).