Industria 4.0: non solo Meccatronica, IIoT, Big Data ... · Industria 4.0: non solo Meccatronica,...

GoldSponsor

SilverSponsor

Industria 4.0: non solo Meccatronica, IIoT, Big Data, Manutenzione Predittiva …

Milano, 7 Giugno 2017

Sala Conferenze Politecnico di Milano – DEIB (MI)

con il patrocinio di:

Media partner

Descrizione Cosa vuole dire trasformare una fabbrica, un impianto, una linea di produzione ponendosi nell’ottica dell’Industria 4.0 (I4.0)? Domanda, apparentemente facile, alla quale ben pochi sanno rispondere! Spesso, si confonde il paradigma I4.0 con una o più tecnologie abilitanti (la Meccatronica, gli IoT -Internet of Things -, i Big Data, i CPS - Cyber Physical Systems-), o con alcuni servizi (la Manutenzione Predittiva, il Tele-monitoraggio …). La Giornata di Studio si propone di affrontare questi temi ed offrire un momento di incontro tra gli utilizzatori finali, i fornitori di tecnologie e di servizi per discutere e chiarire cosa vuole dire trasformare una fabbrica/impianto nell’ottica dell’ “Industria 4.0”. Un altro obiettivo è quello di sfatare il “credo ricorrente” che il modello “Industria 4.0” si applichi solo all’industria manifatturiera meccanica (delle produzioni discrete). In realtà, il paradigma I4.0 è adottabile in molti altri settori industriali dal retail al manifatturiero di processo (delle produzioni continue, discontinue e semicontinue): dalla chimica (delle comodity e della chimica fine), alla raffinazione del greggio, alle formulazioni, ai prodotti di consumo, alla farmaceutica, al siderurgico, all’alimentare … Coordinatori: L. Ferrarini (Politecnico di Milano, e-mail: [email protected]) F. Gorla (Paneutec, e-mail: [email protected]) A. Servida (Università di Genova, e-mail: [email protected])

PROGRAMMA 8.45 Registrazione dei partecipanti e consegna della documentazione 9.10 Saluto ai partecipanti - Apertura dei lavori S. Tubaro – Direttore del Dipartimento di Elettronica, Informazione e Bioingegneria P. Rocco – Coordinatore del Consiglio del Corso di Studio in Ingegneria dell’Automazione A. Servida – Università di Genova e Presidente Nazionale Anipla 9.30 Internet of Factory: nuove architetture abilitanti e modelli funzionali per l'industria 4.0 F.M. Marchetti – Sirio & Speed Automation (Milano) 9:55 The Machine Learning Black Box Unveiled M. Calderisi e I. Ceppa – Kode (Pisa) 10:20 Strategie Data Driven per l’efficienza produttiva A. Passalacqua – Produzione Perfetta (Modena) 10:45 L’attestazione di conformità dei Beni Industry 4.0: i requisiti richiesti per l’iper ammortamento A. Ferrari – Bureau Veritas (Milano) 11:00 Coffee break 11:30 Le tecnologie di rilevamento intelligente e Data Analytics quale tesoro informativo e fonte di valore

e innovazione per gli impianti U. Sala e F. Camerin – Emerson Automation Solutions (Seregno, MI) 11:55 Data analysis and process monitoring in polymer production E. Mantovani, F. Bonacini e A. Ferrando – versalis (Mantova) 12.20 Il Monitoraggio delle Prestazioni di Impianti Controllati nello Scenario dell’Industria 4.0 C. Scali, R. Bacci di Capaci – Università di Pisa; E. Bartaloni – CLUI Automazione e Strumentazione

(Cecina, LI) 12:45 Pranzo 14.00 AVATAR: la modellazione del processo 4.0 G. Guastone – ENI – R&MC Versalis Process; N. Paglieri – ENI – R&MC Production & Syndial Process 14:25 Fabbrica intelligente – Processo di acquisizione dati in un impianto di produzione marmellate F. Bulgarelli – FB Engineering (MO) 14:50 La fabbrica digitale integrata nel manifatturiero e nel processo: due casi di studio F. Mastropietro - ABB 15:15 Come e perché applicare l’Industria 4.0 ai componenti di sicurezza A. Grassi – Schmersal Italia 15.40 Sistemi Smart di Sicurezza: sono pronti per il controllo dei rischi di incidente rilevante? P. Agnello, S. Ansaldi e P. Bragatto – INAIL – DIT Centro di Ricerca (Roma) 16.05 Demand e Supply Chain Optimization con approccio Risk-Based D. Ravazzolo e R. Maccioni – ACT Operations Research 16.30 Dibattito con Tavola Rotonda sul tema “Quali competenze per affrontare la sfida dell’Industria 4.0

in Italia?” Intervengono: E. Birindelli (Italia Automazione), G. Lucido (Schmersal), M. Mangiarotti (Johnson &

Johnson), P. Rocco (Politecnico di Milano) … 17:00 Chiusura dei lavori

Industria 4.0: non solo Meccatronica, IIoT, Big Data, Manutenzione Predittiva … - Milano - 7/06/2017

Internet of Factory TM: nuove architetture abilitanti e modelli funzionali per l’industria 4.0.

Fabio Massimo Marchetti

Vari Sirio Industria – 20134 – Milano – [email protected]

Sommario

Il mondo della “smart factory” sta evolvendo in modo sostanziale negli ultimi tempi dove l’effettiva disponibilità di tecnologie, che permettono una maggiore possibilità di connettività, abilita alla realizzazione di architetture di gestione sempre più estese sia all’interno delle fabbriche che all’esterno delle stesse. La visione a cui tendere è sicuramente quella di un salto generazionale tecnologico dove il focus non è più sulla specifica soluzione verticale ma è sulla flessibilità e sulla velocità di risposta alle richieste di cambiamento nei sistemi produttivi derivanti da logiche di mercato che hanno delle dinamiche che non sono più gestibili con regole ed architetture di automazione e di gestione tradizionali.Il focus si sposta sulla definizione di architetture, aperte e dinamiche, che creino la capacità di modellazione del processo e ne permettano il controllo e l’ottimizzazione attraverso l’analisi di una sempre più completa ed ampia quantità di dati ed informazioni che le stesse sono in grado di generare e gestire. Si crea in questo modo un “ambiente” collaborativo in cui le singole componenti producono e consumano informazioni in forma collaborativa e permettono quindi di disaccoppiare il link diretto sensore -> applicazione caratteristico delle soluzioni di generazione precedente. La singola informazione prodotta da un qualsiasi sensore può essere “consumata” da diverse applicazioni in funzione del loro specifico scopo operativo. Le informazioni aggregate prodotte da strati intermedi di elaborazione possono essere “esposte” a loro volta creando i presupposti di un sistema dinamico che crea le informazioni necessarie alla gestione attuale e futura ottenendo in questo modo una “facile” rimodellazione del modello operativo di riferimento che soddisfi la dinamicità dello stesso. In questo contesto le architetture di riferimento diventano collaborative il che significa che le singole componenti dell’architettura sono indipendenti nella gestione delle singole operazioni ma si sincronizzano tra di loro attraverso nella generazione/consumo delle informazioni prodotte all’interno dell’architettura stessa o all’esterno tramite la connessione con architetture estese. La “smart factory” diventa quindi un’architettura di componenti indipendenti che si affacciano su di un layer di comunicazione che permetta loro di sincronizzarsi attraverso la produzione ed il consumo di informazioni. In quest’ottica è nato il concetto di architettura a cui abbiamo dato il nome di Internet of Factory™. Il layer di integrazione impostato con questo nuovo approccio architetturale non è solo interessante per l’azienda end user che utilizza i macchinari per realizzare i prodotti correlati al proprio focus di business ma lo diventa anche per le aziende che hanno realizzato e fornito loro i macchinari stessi. In questo contesto il layer di integrazione rende disponibile delle connessioni IoT compliant in modo che attraverso opportuni portali si possa monitorare il loro funzionamento e creare la possibilità di effettuare analisi avanzate che permettono di costruire criteri predittivi correlati agli aspetti manutentivi facendo in modo di garantire un’altissima perfomance dei macchinari forniti. In questo contesto lo smart manufacturing travalica i confini aziendali e crea l’opportunità di costruire nuovi modelli di business maggiormente orientati alla fornitura di un servizio in sostituzione della fornitura di un bene.


The Machine Learning Black Box Unveiled

M. Calderisi (1), I. Ceppa (1)

(1) Kode srl – Pisa – [email protected] (1) Kode srl – Pisa – [email protected]

Sommario Al giorno d’oggi è sempre più determinante poter prendere decisioni in tempi rapidi e sulla base di informazioni certe. Avere un processo in controllo, poter predire la qualità del prodotto finito, evitare fermi macchina, identificare precocemente situazioni di rischio, effettuare manutenzione preventiva…sono tutti aspetti che finalmente possono essere realisticamente affrontati, diventando alla portata anche delle piccole e medie aziende che non possono godere di complicati e costosi sistemi di monitoraggio. Ogni processo infatti, o quantomeno parte di esso, dispone di un corredo di PLC, o di sistemi di controllo distribuito (DCS), o di sistemi SCADA. Inoltre spesso sono disponibili gestionali che raccolgono dati relativi alla logistica, alle materie prime in ingresso al ciclo produttivo, quando non sono addirittura disponibili dati di caratterizzazione dei materiali in ingresso e dei prodotti in uscita dal processo. Passaggio essenziale è quindi utilizzare tutti i dati disponibili, senza preclusioni e preconcetti, al fin di estrarre tutta l’informazione utile possibile. È di estrema importanza quindi non cadere nel tranello del cosiddetto “cherry picking”, ovvero in una selezione aprioristica delle variabili e dai dati da studiare e monitorare, in quanto così facendo potremmo involontariamente trascurare importanti fonti di informazione. Unitamente all’utilizzo di grandissime quantità di dati (Big Data), va da sé che le tradizionali tecniche statistiche univariate (Statistical Process Control) non siano più sufficienti, per eseguire un controllo accurato dei processi. Nel corso degli ultimi anni sono state infatti sviluppate tutta una serie di tecniche statistiche multivariate, che sono estremamente adatte a contesti di questo tipo (Multivariate Statistical Process Control). Gli attuali strumenti informatici, in gran parte open source e gratuiti (R e Python), permettono infatti di acquisire, gestire ed elaborare grandissime quantità di dati in tempi brevissimi, non c’è quindi ragione per cui possa valer la pena di studiare i dati, anziché le informazioni in essi ricavate. Occorre un cambio di mentalità. È importante sottolineare che tra le molteplici tecniche di data mining e di machine learning ad oggi disponibili per eseguire un efficace controllo di processo multivariato, vi sono alcuni algoritmi, ben consolidati scientificamente, che sono adatti a risolvere la maggior parte delle casistiche. Si tratta di un algoritmo di tipo unsupervised, la Principal Component Analysis (PCA), e di un algoritmo di tipo supervisionato, la Partial Least Square Regression (PLSr). Questa presentazione vuole mettere in risalto, mostrando esempi reali, come sia possibile costruire un sistema di controllo di processo multivariato estremamente efficace, in modo relativamente semplice, aperto e riproducibile. I casi di studio riguarderanno il processo di funzionamento di una turbina in ambito Oil & Gas, la produzione di prelavorati di gomma, un processo di trattamento rifiuti speciali, l’efficientamento di una linea di formatura vetro.


Strategie Data Driven per l’efficienza produttiva

A. Passalacqua

Produzione Perfetta - Modena - [email protected]

Sommario I moderni impianti di produzione sono sempre più tecnologici, digitali e interconnessi e permettono di ottenere dei flussi costanti di dati, numerosi e variegati. La capacità di poter trasformare questo flusso di dati in informazioni utili nel processo decisionale è alla base per migliorare la competitività e la crescita aziendale. Il lavoro di estrazione di informazioni utili dai dati per risolvere problemi di business, può essere trattato in modo sistematico seguendo il processo di analisi dati dotato di fasi piuttosto ben definite. Formulare soluzioni basate sul data driven è un investimento strategico di primaria importanza nei processi di produzione come già riconosciuto dalle grandi multinazionali. L'approccio più efficace per applicare questa strategia non inizia con i dati ma con l'identificazione di un'opportunità di business e determinando il modello più adatto per migliorare una specifica problematica. Sono molteplici i casi di applicazione dei metodi di analisi dati al fine di costruire dei modelli predittivi capaci di risolvere problemi reali. Il contributo di questo studio è una relazione completa sullo stato dell’arte delle attuali strategie basate data driven e applicate alle diverse aree che coinvolgono l’intero ciclo produttivo, tra cui il processo, le materie prime, i macchinari e il prodotto finito. Questo approccio consente di implementate controlli di processo avanzati integrati nei sistemi di produzione al fine di riconoscere anomalie, comprendere se un materiale è idoneo alla produzione, le cause di un blocco, e individuare i modi per lavorare in modo più efficiente. Le difficoltà di applicare queste strategie nell'industria manifatturiera sono molteplici e possono essere di 1. natura tecnica: uniformare dati, sincronizzare gli step produttivi, trasformare informazioni tecniche in dati; 2. tipo culturale: garantire un impegno costante, reinventare processi e cambiare la struttura organizzativa decisionale.


L’attestazione di confomità dei Beni Industry 4.0: i requisiti richiesti per

l’iper ammortamento

Alessandro Ferrari

Bureau Veritas – Milano - [email protected]

Sommario La quarta trasformazione industriale, Industry 4.0, rappresenta una sfida con cui tutte le aziende si dovranno confrontare. Per sostenere e indirizzare una rivoluzione come questa, il Governo ha predisposto il piano Industry 4.0 che ha come piatto forte i generosi incentivi fiscali voluti dal Governo e inseriti all’interno della Legge di Bilancio 2017. L’iperammortamento, previsto per chi acquista beni materiali nuovi, dispositivi e tecnologie che permettono la trasformazione in chiave 4.0, consiste nella supervalutazione del 250% degli investimenti in beni acquistati o in leasing. Per usufruire degli incentivi, si accede in maniera automatica in fase di redazione di bilancio e tramite autocertificazione o attestazione di conformità, che risulta obbligatoria per i beni dal valore superiore ai 500 mila euro. La Legge di Bilancio 2017 e i seguenti chiarimenti da parte del Mise, il Ministero dello Sviluppo Economico, hanno indicato quali sono i beni e quali i requisiti minimi che devono essere soddisfatti per poter accedere all’iperammortamento. Dimostrare questi aspetti però non è per niente banale e il rischio di incorrere in future contestazioni è più che concreto. Proprio per evitare spiacevoli sorprese è importante che la valutazione sia fatta in modo corretto da tecnici competenti (professionisti iscritti agli professionali o da enti di certificazione). Il processo di attestazione della conformità prevede una valutazione sul bene strumentale per accertare il soddisfacimento di tutti i requisiti richiesti. Nel caso l’esito della verifica sia positivo, si può procedere nel valutare se e come i sistemi aziendali possano effettivamente dialogare con la macchina che sarà installata. Alla fine di tutto sarà rilasciata l’attestazione di conformità con cui l’azienda può richiedere di usufruire dell’iperammortamento.


Le tecnologie di rilevamento intelligente e Data Analytics quale tesoro informativo e fonte di valore e innovazione per gli impianti

Umberto Sala, Fabio Camerin Emerson Automation Solutions – 20831 Seregno (MI)

[email protected], [email protected]

Sommario L’attuale scenario economico e le complessità degli impianti industriali richiedono di disporre di dati aggiuntivi che vanno oltre la sala controllo e l’ottimizzazione del processo e che impattano in modo significativo nelle scelte di business strategiche e criticità decisionali degli impianti stessi. Un monitoraggio affidabile e completo degli impianti ha una incidenza importante sulla produttività, efficienza energetica ed anche sicurezza del sito. In particolar modo, alcuni asset di impianto necessitano di un costante e preciso monitoraggio al fine di garantire i KPI prefissati ed evitare inspettate fermate di impianto. La soluzione Plantweb Digital Ecosystem di Emerson Automation Solutions offre la possibilità di impiegare soluzioni semplici, efficaci ed interconnesse che permettono di acquisire i dati aggiuntivi necessari a monitorare al meglio gli impianti, raggiungere i target prefissati in tempi molto rapidi e ridurre notevolmente i costi ed i tempi di installazione. La presentazione illustrerà come il modello decisionale “See – Decide - Act” venga riprodotto ed applicato nella soluzione Plantweb Digital Ecosystem attraverso il modello “Advanced Sensing – Strategic Interpretation – Actionable Information” rispondente al paradigma Industry 4.0. Esposizione di un caso applicativo legato agli scambiatori di calore nel mondo refinery.


Data analysis and process monitoring in polymer production

E. Mantovani (1), F. Bonacini (1) e A. Ferrando(1)

(1) Department of Analytical Chemistry, Basic Chemical & Plastics Research Centre, versalis s.p.a. – 46100 Mantua – [email protected]

Sommario Nell’industria petrolchimica e nella produzione di polimeri, ambito sul quale vertono le applicazioni portate come esempio, i margini di profitto possono essere sinteticamente correlati con la qualità del materiale e il suo costo di produzione. Sia per il primo punto, la qualità, che per il secondo, i costi, non possiamo oggigiorno ignorare il concetto dei Big Data; più semplicemente, per aumentare la competitività delle produzioni è necessario prendere in considerazione tutte le informazioni a nostra disposizione. Tutti gli impianti produttivi di scala industriale hanno per questioni di sicurezza e/o di controllo della produzione database nel quale vengono registrate con alta frequenza, nell’ordine dei secondi, le condizioni di processo e non solo dando vita così a basi di dati di dimensioni notevoli e continuamente aggiornate. Questa montagna di dati deve essere chiaramente trattata in maniera opportuna e trasformata in informazione fruibile dall’utilizzatore finale che può essere il controllore di impianto, l’operatore di laboratorio o il cliente. In ogni caso, visti i mezzi tecnologici a disposizione, reti ultra-veloci e computer sempre più performanti, è sicuramente vantaggioso analizzare off-line e in tempo reale i dati provenienti dai sensori disponibili in impianto (termocoppie, pressostati, livellostati, ecc.) e dalle analisi di laboratorio (materie prime, intermedi e prodotto finito) per supportare i gestori della produzione, alleggerire i carichi analitici e dare un valore aggiunto al prodotto finito tramite standardizzazione e monitoraggio delle fasi produttive, concetto chiave del Quality by Desing. Le applicazioni portate in esame mostrano come sia possibile monitorare e gestire la qualità della produzione grazie a modelli datadriven, basati dunque sull’esperienza precedentemente acquisita, individuare derive o malfunzionamenti grazie ad indagini sui dati storici. Verrà mostrato come estrapolando l’informazione contenuta nelle basi dati di un impianto di produzione polimeri stirenici sia stato possibile ottenere carte di controllo per centrare la qualità della produzione desiderata e come sull’impianto di produzione monomero si siano individuate le principali cause di variazione e problematiche di qualità.


Il Monitoraggio delle Prestazioni di Impianti Controllati nello Scenario

dell’Industria 4.0

C. Scali(1,2,3), R. Bacci di Capaci(1), E. Bartaloni(3) (1) Dipartimento di Ingegneria Civile e Industriale – Università di Pisa,

Largo L. Lazzarino, n.2 56126 Pisa (2) Consorzio Polo Tecnologico Magona (CPTM), Via Magona, snc, 57023 Cecina (LI)

(3) CLUI Automazione e Strumentazione, c/o CPTM, 57023 Cecina (LI) Sommario In un periodo di grande fermento con numerose iniziative rivolte all’illustrazione delle caratteristiche e delle opportunità dell’Industria 4.0, si ha a volte la convizione che questa riguardi principalmente l’industria manufatturiera e marginalmente l’industria di processo. Questa presentazione vuole mettere in risalto come il monitoraggio delle prestazioni dei sistemi di controllo sia un primo passo significativo ed ineludibile per raccogliere i benefici attesi di un automazione industriale spinta ed integrata e come l’integrazione con le nuove metodologie e tecniche proposte può portare alla ottimizzazione dell’intero impianto. Viene illustrata l’architettura del sistema di monitoraggio delle prestazioni sviluppato negli ultimi anni (PCU: Plant Check Up), in grado di individuare le principali cause di malfunzionamento dei loop di regolazione e indicare le azioni da intraprendere. In questo modo permette di distinguere tra: disturbi esterni, tuning scadente dei regolatori, malfunzionamento di valvole e sensori, interazioni da altri loops. La versione base del sistema fa riferimento ai dati resi disponibili da impianti di vecchia progettazione (di fatto tre variabili: Set Point, Variabile Controllata e Uscita dal Regolatore) ed è installata in impianti di raffineria (ENI). Una versione più avanzata fa riferimento a ulteriori dati resi disponibili da sistemi di comunicazione a Bus di Campo (posizione della valvola, pressione/corrente al posizionatore, parametri di sicurezza e integrità di strumenti e attuatori) e permette una diagnostica più raffinata smart diagnosis; questa versione è installata in impianti di potenza (ENEL) e resa disponibili per gli Utenti CLUI AS (Club Utilizzatori Industriali di Automazione e Strumentazione). Dopo un esperienza ormai pluriennale su migliaia di loop mantenuti sotto supervisione, sono evidenti e quantificabili i benefici che si ottengono dalle applicazioni del sistema di monitoraggio in almeno tre scenari: - verifica buon funzionamento dei loop di base prima di applicazioni di controllo avanzato (necessaria per il successo di controllo multivariabile o ottimizzazione in tempo reale); - retuning periodico dei regolatori, con vantaggi tangibili nella diminuzione dei consumi e nell’aumento della qualità del prodotto; - valutazione stato di funzionamento delle valvole per programmazione e verifica della manutenzione. Se da una parte il monitoraggio è un primo passo significativo, dall’altra le tecnologie disponibili in ambito Industria 4.0 permettono di aumentare enormemente i benefici ottenibili: - le informazioni sul processo, ora limitate allo stato del componente e all’emissione di report, possono esser estese all’analisi di tutti i dati disponibili (esempio di big data analysis); - l’intero impianto può essere monitorato in aspetti quali la corrosione e le dispersioni termiche (per mezzo di sensori e linee di comunicazione avanzati, realtà aumentata); - altri componenti (macchinario in generale) possono essere monitorati con le stesse tecniche. - gestioni allarmi e procedure di sicurezza si possono includere nel sistema di monitoraggio. Progetti che si occupano di questi aspetti verrano illustrati nel corso della presentazione; essi coinvolgono aziende appartenenti al Consorzio Polo Tecnologico Magona, dove si svolge la parte sperimentale dell’attività, con caratterizzazione e certificazione di componenti (attuatori, posizionatori, sensori).


AVATAR: la modellazione del processo 4.0

G. Guastone(1), N. Paglieri(2)

(1) ENI – R&MC Versalis Process [email protected] (2) ENI- R&MC Production & Syndial Process [email protected]

Sommario Eni ha avviato un programma di raccolta e valorizzazione delle esperienze e del know-how specifico del settore industry 4.0. All’interno del progetto che coinvolge tutte le realtà industriali dell’azienda, le funzioni ICT e quelle più tecniche di automazione industriale si realizza un quadro unitario della conoscenza maturata, delle tecnologie adottate e delle esperienze svolte. Costituiscono ambiti di particolare interesse: le soluzioni industrial internet per la raccolta real-time dei dati dal campo e l’adozione di modelli avanzati di performance monitoring, condition base maintenance e predictive maintenance; le soluzioni di workforce automation e l’utilizzo di wereable device per l’esecuzione di task in mobilità, l’accesso audio/video a centri di competenza remota, l’accesso in modalità realtà aumentata alle informazioni sugli asset; soluzioni di smart safety con il monitoraggio della presenza ed il corretto impiego dei dispositivi di protezione individuale, la tracciatura del personale in campo rispetto alle aree di rischio e le condizioni di interferenza, rilevazione e comunicazione di situazione di allarme. Un’esperienza in particolare realizzata nel 2011 ha anticipato l’introduzione nel mondo industriale dei filoni tematici dell’industry 4.0 “AVATAR”. Il progetto coniuga modellazione di processo e augmented reality realizzando un sistema immersivo per training ed assesement agli operatori sulle procedure di accensione forni. AVATAR si pone come alternativa alla formazione in aula e come utilizzo innovativo della modellazione di processo. La fruizione del sistema avatar attraverso un totem consente all’operatore l’accesso alla formazione in ogni momento ed in ogni punto della fabbrica garantendo al contempo efficacia dell’apprendimento e certificazione della formazione attraverso l’esecuzione di un test.


Fabbrica intelligente – Processo di acquisizione dati in un impianto di

produzione marmellate

F. Bulgarelli (1) FB Engineering s.r.l. – 41012 Carpi (MO) – [email protected]

Sommario L’azienda Rigoni di Asiago leader nazionale per fatturato nel settore della produzione e vendita di marmellate, ha installato in questi anni un sistema di controllo della produzione che fosse coerente con le richeste aziendali che erano “avere un sistema in grado di controllare i processi di produzione, gestire la tracciabilità, fornire i dati alla contabilità per avere i costi di produzione, gestire la pianificazione, controllare le manutenzioni, avere il monitoraggio energetico, il controllo del personale sulle linee di produzione, l'interfaccia con ERP e una avanzata automazione industriale” FB Engineering è stata scelta come partner per lo sviluppo di questo progetto. Nell’ambito del proprio lavoro di progettazione essa ha provveduto a:

• Scegliere uno specifico MES per il mondo alimentare • Scegliere un supervisore che garantisse il controllo dell'energia consumata in azienda • Scegliere un produttore di PC industriali e PLC, dinamico e preparato per

l'integrazione con altri sistemi • Definire le modalità di integrazione tra tutti i sistemi di campo già presenti in azienda

Dopo un lungo lavoro durato tre anni sono stati raggiunti tutti gli obbiettivi della Rigoni di Asiago. L'azienda sta costruendo una nuova area di produzione che sarà facilmente integrata, la capacità di produzione è quasi raddoppiata con lo stesso numero di persone, non ci sono fogli Excel o soluzioni che girano su sistema alternativi, l'azienda ha ottenuto tutte le certificazioni per l'esportazione BRC, IFS, Food and Drug, etc ... Per il grado di integrazione raggiunto tra le macchine di processo e il software di fabbrica l’azienda è già considerata oggi un’industria 4.0 e la sua esperienza rappresenta un interessante case history per tutti coloro che si approcciano a questi tipi di progetto


La fabbrica digitale integrata nel manifatturiero e nel processo: due casi di

studio

F. Mastropietro (1) ABB SPA – 20099 Sesto S. Giovanni (MI)

Sommario Nell’intervento affronteremo alcune problematiche critiche per la trasformazione delle fabbriche/processi in accordo con il paradigma “Industry 4.0” (I4.0). Tra i temi trattati: digitalizzazione e MES/MOM. La declinazione dell’approccio I4.0 nelle realtà produttive richiede l’adozione di soluzioni integrate e flessibili con elevate caratteristiche di interoperabilità. L’articolo, collegandosi anche alle nuove tendenze digitali ormai di dominio pubblico (cloud, cyber security, componenti indossabili e mobilità), vuole introdurre il MOM (Manufacturing Operations Management) e come si è evoluto (ed ha cambiato nome….). L’applicabilità in ambito sia discreto sia di processo verrà mostrata discutendo due casi reali, il primo appartiene all’industria manifatturiera classica, il secondo all’industria alimentare.


Come e perché applicare l’Industria 4.0 ai componenti di sicurezza

A. Grassi

Schmersal Italia srl - 25010 Borgosatollo (BS) - [email protected]

Sommario La sicurezza è spesso vista solo come un involucro da aggiungere alle macchine alla fine del processo progettuale e costruttivo. Difficilmente si quantifica il valore aggiunto dei dispositivi di sicurezza utilizzati, non si ricerca il dispositivo ideale per una certa applicazione, magari in fase progettuale di concetto (non la progettazione meccanica dei ripari mobili in cui è già troppo tardi, si è già nella fase di realizzazione “dell’involucro”). Per i componenti dell’automazione, invece, si soppesano addirittura i tempi ciclo, espressi in millisecondi. C’è una stretta correlazione tra velocità di calcolo (quindi performance del dispositivo) e produttività della macchina. Quindi il rapporto costi e benefici è immediato e facilmente quantificabile. Per i dispositivi di sicurezza invece non è facile dimostrare l’effettivo apporto economico in termini di guadagno, o meglio di mancate perdite o costi. Lo stesso “trattamento” avviene con l’Industria 4.0, si farciscono le macchine di dispositivi smart, appena sfornati, magari dalle “start-up” più futuristiche, e si utilizzano dispositivi di sicurezza che hanno ormai mezzo secolo, e sono fatti esattamente allo stesso modo da 50 anni. Schmersal rivede tutto questo cercando di seminare la cultura del dispositivo di sicurezza performante, tecnologico, che genera dei dati che danno un vero supporto alla produzione e alla gestione della sicurezza, con tutti i benefici dell’Industria 4.0, manutenzione predittiva, ottimizzazione del processo produttivo, gestione delle risorse umane in funzione delle necessità.


Sistemi Smart di Sicurezza: sono pronti per il controllo dei rischi di

incidente rilevante?

P. Agnello, S. Ansaldi e P. Bragatto INAIL - DIT Centro Ricerca via Fontana Candida 1, 00078 Monteporzio Catone (Roma)

Sommario Negli ultimi anni si è verificato uno straordinario sviluppo di sensori con tecnologie avanzate e comunicazioni tra macchina e macchina (M2M), che ha avuto un notevole impatto anche nel campo della sicurezza; si stanno realizzando molti sistemi basati su tecnologie “smart” e un certo numero di prodotti innovativi sono già commercialmente disponibili. Tuttavia queste soluzioni possono essere utili per la sicurezza se sono integrati nel Sistema di Gestione della Sicurezza (SGS), altrimenti restano solo semplicemente dei “gadget”. A partire dal 2015, INAIL finanzia alcuni progetti di ricerca per studiare le potenzialità di “Internet of Things” (IoT), in particolare per migliorare la prevenzione degli incidenti rilevanti e per controllare le conseguenze. I risultati di questi progetti hanno fornito idee brillanti per migliorare la sicurezza industriale. Essi hanno inoltre evidenziato la necessità di avere un metodo affidabile ed efficace per capire se e quanto i nuovi sistemi smart influiscono sul corrente livello di sicurezza. Gli autori propongono un metodo che ha l’obiettivo di inserire i sistemi smart nelle “barriere di sicurezza” per controllare i pericoli rilevanti. Il metodo permette di valutare i benefici di questi sistemi nell’ambito dell’analisi quantitativa del rischio, secondo i requisiti e le indicazioni della Direttiva Europea Seveso III relativa agli stabilimenti a rischio di incidente rilevante. Saranno presentate soluzioni riguardanti sia l’integrità delle attrezzature, principalmente per prevenire le perdite di contenimento, che quelle di protezione dei lavoratori e di mitigazione delle conseguenze. Il metodo è stato utilizzato per valutare alcuni sistemi smart innovativi, prendendo in considerazione: soluzioni sviluppate nei progetti INAIL, soluzioni descritte nella letteratura scientifica, prototipi industriali e prodotti innovativi. Una valutazione quantitativa dei benefici in termine di sicurezza è utile sia ai manager aziendali sia agli enti di controllo ed è essenziale al fine di promuovere la diffusione delle innovazioni tecnologiche.


Demand e Supply Chain Optimization con approccio Risk-Based

D. Ravazzolo e R. Maccioni

(1) ACT Operations Research – 00198 Roma [diego.ravazzolo, raffaele.maccioni]@act-OperationsResearch.com

Sommario Il paradigma ‘Industria 4.0’ e l’attenzione posta alle diverse tecnologie abilitanti, sollecita anche un aspetto fondamentale dell’efficientamento industriale costituito dall’innovazione “metodologica” che possa massimizzare l’efficacia delle tecnologie interconnesse tra loro con un ottica di collaboration. Una declinazione dell’innovazione metodologica comune a diversi settori industriali è la combinazione di:

- Ottimizzazione; - Demand Planning; - Gestione del rischio.

La visione di insieme del processo integrato (partendo dal fornitore per arrivare al consumatore finale passando attraverso la produzione) unito alle possibilità di cooperazione tra i vari soggetti coinvolti, offre diverse opportunità di ottimizzazione nell'uso delle risorse a disposizione per meglio soddisfare esigenze di clienti/utenti/processi. Il demand planning porta un ulteriore elemento di efficientamento in quanto offre la possibilità di ottimizzare non solo la quota parte di business già nota, ma anche i volumi attesi che è possibile ottenere mediante l'introduzione di strumenti in grado di calcolare la previsione della domanda futura, abilitandola anche in contesti complessi. Tutti i processi sono soggetti a dinamicità/stocasticità (si pensi ad esempio ai ritardi nelle consegne di materie prime), la capacità di prevedere l'effetto di tali aspetti abilita la possibilità di prendere delle decisioni risk based in grado di anticipare la gestione di situazioni critiche in base alla probabilità che esse accadano. L’intervento si propone di evidenziare, partendo da una serie di esempi applicativi, l’efficacia del combinare queste metodologie applicandole a diverse tipologie di industria.

Industria 4.0: non solo Meccatronica, IIoT, Big Data ... · Industria 4.0: non solo Meccatronica,...

Documents

Transcript of Industria 4.0: non solo Meccatronica, IIoT, Big Data ... · Industria 4.0: non solo Meccatronica,...