Business Intelligence Industry 4.0

Ricerca e sviluppo di modelli di descriptive, predictive e prescriptive analytics

per la business intelligence finalizzata all’efficienza energetica e alla manutenzione predittiva di macchinari industriali in ottica Industria 4.0

Focus

  • Riduzione delle spese di gestione
  • Riduzione degli scarti
  • Minimizzazione dei fermi impianto
  • Massimizzazione del profitto

Solution

  • Algoritmi di previsione dei consumi energetici e dei guasti in impianto
  • Supporto decisionale per la pianificazione delle operazioni

Risultati

  • - 20% di scarti di produzione
  • -15% sui costi dell’energia
  • - 5% sul tasso di reclamo

Focus

Idea

• Garantire l’interfacciamento con le tecnologie presenti negli impianti
• Promuovere l’utilizzo dell’applicazione da parte di varie tipologie di utenti
• Effettuare raccolta dati relativi al funzionamento e alla diagnostica di impianto
• Monitorare l’attività da remoto
• Effettuare una gestione in cloud del sistema
• Rendere interattivo il sistema di analisi e decisione

Obiettivi

• Minimizzare l’utilizzo di sistemi ad hoc, garantendo la compatibilità con le infrastrutture esistenti
• Realizzare interfacce alla portata di diversi tipi di utenze per la realizzazione di obiettivi a diversi livelli
• Costruire un database dello storico di impianto, in modo da prevederne gli andamenti futuri
• Migliorare l’efficienza della forza lavoro ed evitare perdite di tempo
• Minimizzare lo spreco di risorse hardware e computazionali, garantendo la massima sicurezza
• Personalizzare il servizio, fornendo supporto decisionale

Solution

Descriptive e predictive analytics

Step dell’algoritmo di efficientamento energetico e manutenzione predittiva

• IMPORT DATI: Importazione di dati storici di consumo (es: consumo di energia elettrica di un impianto o di un reparto in un dato periodo di tempo)
• MAPPATURA DEI DATI: I dati vengono associati con le variabili in ingresso (es: cambiamenti di temperatura, modifiche del tipo di prodotto lavorato) e con il risultato che si vuole ottener
• ADDESTRAMENTO: L’intelligenza artificiale apprende le relazioni che le variabili in ingresso hanno per il raggiungimento del risultato desiderato
• OTTIMIZZAZIONE: L’intelligenza artificiale applica ciò che ha appreso per fare un’analisi previsionale delle spese e dei risparmi ottenibili, in modo da ottimizzare i consumi e adeguarli alle necessità effettive
• PREVISIONI RAGIONATE: Per le previsioni future il sistema non ha più bisogno di addestramento, essendo in grado di analizzare i dati storici e i risultati in modo autonomo
• DATI DI GESTIONE: In base ai dati che progressivamente arrivano durante la gestione quotidiana, l’intelligenza artificiale continua ad apprendere in automatico e adattare la pianificazione dei consumi e delle operazioni di manutenzione in modo ragionato

Risultati

Valutazione dei seguenti Indicatori di Perfomace

• Programmazione/manutenzione: la loro gestione efficiente consente all’azienda di processare la massima quantità di prodotto, contenendo l’utilizzo di tutte le altre risorse
• Gestione risorse (energia elettrica, acqua): incrementare le capacità di ottimizzazione dal punto di vista dell’utilizzo e del costo
• Manutenzione: tenere sotto controllo i tempi tra guasti in modo che possano influire il meno possible sulla programmazione della produzione
• Qualità prodotto: KPI specifici dell’industria considerate

Sono stati valutati gli indicatori out of samples per sei diversi modelli di previsione e per i diversi metodi di ottimizzazione.

Soluzione

DSS che si adatta in modo dinamico ai dati disponibili, selezionando il modello di previsione più appropriato in base a criteri specificati dall’utente

Progetto in Partership con Idea 75 Srl