Italia 4.0 2019

26 ITALIA 4.0 2019 sulla conoscenza teorica del processo e su ciò che è misurabile. Ci sono però variabili, come l’usura del refrattario, che fatichiamo a misurare e che pure impattano il processo. Abbiamo allo- ra sviluppato un modello di machine learning che tiene conto dei dati del processo reale, e paragonandolo al modello deterministico siamo riusciti a ottenere una riduzione degli errori che ci ha permesso di incrementare la qualità, l’efficienza e la velocità della produzione”. Ottimizzazione nelle lavorazioni custom In un’azienda come Baker Hughes, compagnia di GE specializzata nella fornitura di attrezzature all’avan- guardia, servizi e soluzioni digitali per il mondo oil&gas il cui quartier generale della divisione turbomac- chine si trova a Firenze, si è iniziato ad affrontare in maniera aggressi- va le tecnologie digitali già 4-5 anni addietro, concentrandosi su quelle che più sembravano interessanti per il tipo di business, ovvero realtà au- mentata, realtà virtuale, sensoristica e connessione delle macchine. “So- prattutto per la connessione delle macchine, i vantaggi che abbiamo avuto sono stati clamorosi, a fron- te di una spesa sul digitale che non è stata per niente esagerata, almeno per i nostri canoni di investimento - spiega Ardini di Baker Hughes -. In particolare abbiamo molto lavora- to allo sviluppo di applicazioni che consentono di elaborare l’enorme quantità di dati che provengono in gran parte dal pannello di controllo delle macchine, e in parte da sensori che abbiamo inserito noi sulle appa- recchiature. Abbiamo quindi lavora- to allo sviluppo di analitici che siano in grado di correlare i dati ricavati in tempo reale dal processo produttivo in termini di relazione causa-effetto, sfruttando il machine learning. Con l’obiettivo di ottimizzare le perfor- mance delle nostre macchine utensi- li”. Il particolare tipo di produzione dell’azienda comporta la realizza- zione di componenti custom, sempre diversi, per cui può sovente accadere che il part program non sia effettiva- mente ottimizzato per le performan- ce della specifica macchina in uso. Gli analitici sviluppati aiutano a tenere sotto controllo in tempo reale para- metri relativi ad esempio all’aumento delle vibrazioni e delle temperature, adattando il potenziamento e la ve- locità di avanzamento per sfruttare al 100% le prestazioni della macchi- na. “Parlando di macchine utensili non basta parlare di disponibilità del- la macchina - spiega Ardini -, in quan- to la macchina può essere disponibile ma si perde poi tempo ad esempio nel settaggio o nel cambio utensile, proprio perché il part program non è ottimizzato per quella macchina. Il corretto utilizzo dei dati raccolti du- rante le lavorazioni ci ha invece con- sentito di aumentare il tempo trucio- lo utile in percentuali che variano dal 2 al 5%, a seconda delle diverse linee di produzione che abbiamo”. Numeri che possono sembrare piccoli, ma che non lo sono per niente: basti pensare che in uno stabilimento dove lavora- no 100 macchine utensili, che hanno costi che vanno da qualche centinaia di migliaia di euro ad alcuni milioni, è come se queste lavorassero per 105. Il che significa per l’azienda enormi incrementi in termini di produttività e di pressione sui costi. Conoscenza in house Un approccio comune ai casi descritti pertiene quindi la modalità scelta per portare e accrescere le competenze necessarie in azienda per accompa- gnare l’implementazione dei proget- ti. “Nella nostra realtà la difficoltà principale era legata al fatto di avere un parco macchine alquanto diversifi- cato, che comprende macchine uten- sili praticamente di tutti i principali costruttori a livello globale - dice Ar-