Predictive Quality: un effetto della rivoluzione digitale in ambito industriale

8 giugno 2020

La fabbrica del futuro è destinata a diventare sempre più intelligente con un impiego sempre più pervasivo di sensori, dati, simulazioni, cloud, modelli matematici, calcolo ad alte prestazioni.

Non si tratta di una previsione degli analisti, ma della semplice constatazione di come l’ambiente manifatturiero non possa fare a meno di adattarsi ai cambiamenti che sono già presenti nella vita comune e che portano verso una digitalizzazione sempre più pervasiva.

 

Costruire una digital manufacturing

Accostare i termini digitale e manifattura può sembrare un ossimoro. La ragione risiede nel fatto che, nell’immaginario collettivo, l’idea di fabbrica è ancora saldamente legata a stereotipi del passato, in cui la produzione era fatta da materie prime e da operai capaci di plasmarle negli oggetti più disparati.

Ovviamente persone e materie prime sono ancora centrali nella fabbrica, ma molte cose sono cambiate.

 

Un mercato sempre più rapido

La prima è il mercato. Le merci si spostano rapidamente, il business è globale e richiede forme di comunicazione digitale sia interne sia per interagire con partner e fornitori che possono svolgere efficacemente il loro ruolo indipendentemente dal fatto che si trovino a 100 metri dal sito produttivo o dall’altra parte del mondo.

 

Una produzione in continua evoluzione e una clientela sempre più esigente

La produzione muta rapidamente e beni che in passato erano destinati a durare decenni ora vengono consumati in mesi (si pensi ai televisori). I prodotti devono cambiare e aggiornarsi continuamente per adeguarsi ai gusti e alle richieste costantemente rinnovate di una clientela sempre più esigente: un livello di flessibilità che richiede un’analisi del mercato in tempo reale e che diventa irrealizzabile senza un’efficace governance dei processi che, ancora una volta, trova fondamento nella digitalizzazione.

 

La servitizzazione cresce, crescono le competenze

Nel contempo, si sviluppa e cresce la componente di servizio associata alla produzione tanto da diventare, a volte, la principale voce di ricavo dell’azienda; anche questa componente di servizio poggia le basi sulla raccolta, l’analisi e il trasferimento di dati. La tecnologia digitale, peraltro, è ormai presente in qualsiasi tipologia di prodotto, dalle lavatrici connesse a Internet, alle auto che si guidano da sole, ai piccoli robot intelligenti in grado di tagliare l’erba del giardino e fare le pulizie di casa.

Anche la componente umana sta cambiando ruolo, diventa più competente, assume più consapevolezza dei processi nella loro interezza ed è in grado di contribuire direttamente al successo dell’azienda.

In questo modello di digital manufacturing, per la prima volta, le aziende hanno a disposizione dati oggettivi per analizzare e controllare i propri processi.

 

Gli strumenti per la predictive quality 

Dentro i dati ci sono le nuove opportunità di business e le direzioni per anticipare le esigenze del mercato e mantenere la competitività. I dati sono, però, diventati troppi e non sempre sono di facile interpretazione. Per poter estrarre questo valore e realizzare un approccio predittivo è necessario passare attraverso una descrizione ovvero un modello matematico sviluppato da professionisti competenti.

 

Modelli matematici, la chiave per una predictive quality efficace

Creare un modello significa tradurre in equazioni: processi, attività, competenze. Tanto più accurato e rispondente alla realtà sarà il modello, tanto più affidabili saranno le previsioni. Per questo motivo ogni modello, accanto a una serie di criteri generali, richiede di essere personalizzato in base alle specifiche caratteristiche di ogni azienda e deve riuscire a valorizzarne il patrimonio conoscitivo, quindi a formalizzare il know how spesso intangibile delle persone.

 

Da actionable data a migliori performance di business

Il modello fornisce la chiave interpretativa per analizzare i Big Data e individuare schemi, riconoscere i parametri cruciali di un processo produttivo, definire le modalità di ottimizzazione, individuare possibilità di riduzione dei costi e opportunità di incrementare il profitto.

Grazie alle soluzioni di intelligenza artificiale e machine learning i decisori aziendali ottengono una visione sintetica e facilmente comprensibile di come le cose possono cambiare e delle azioni da intraprendere per aumentare le performance di business.

Tutto ciò pone le basi per realizzare una predictive quality che, per la prima volta nella storia, è un obiettivo a disposizione non solo delle aziende di grande dimensione. La ricompensa dietro l’angolo è davvero importante e prevede la capacità di crescere nei profitti, di restare competitivi, ridurre i costi, aumentare la soddisfazione di clienti e dipendenti.

 

Un esempio, la manutenzione predittiva 

Tra le nuove possibilità offerte dai modelli previsionali vi è quella di pianificare in modo preventivo gli interventi di controllo e manutenzione per intervenire prima ancora che si verifichi un malfunzionamento, con ovvi vantaggi in termini di costo, efficienza e sicurezza.

Per esempio, è possibile utilizzare sensori abbinati a strumenti di Functional Data Analysis, Data Alignment e Classification per tenere sotto controllo le performance di un impianto, l’usura di macchinari, pianificare la sostituzione periodica di componenti, individuare anomalie e migliorare le condizioni generali di sicurezza.

La capacità previsionale si può spingere fino a rendere completamente automatizzato il ciclo di controllo, approvvigionamento dei ricambi e intervento di sostituzione. Inoltre, essa contribuisce anche ad aumentare il ciclo di vita dei macchinari e, di conseguenza, la continuità operativa degli impianti, favorendo inoltre la riduzione dell’impatto ambientale.

 

New call-to-action