KEB: la digitalizzazione del manifatturiero? Passa dall’orchestrazione dell’ecosistema!

C’è un Nirvana per le aziende manifatturiere impegnate nella trasformazione digitale? Qual è l’obiettivo più importante che possono conseguire? Secondo KEB Automation – un player tedesco dell’automazione che fattura 300 milioni con 1.500 dipendenti (e che in Italia ha una filiale con sede a Settimo Milanese) – il livello più alto è quello dell’orchestrazione dell’ecosistema. In cosa consiste? Nella visione di KEB, è la capacità di distribuire “conoscenza” agli operatori impegnati nelle diverse funzioni dell’azienda e anche al di fuori di essa, lungo la value chain. Ma cosa si intende esattamente? Si tratta di informazioni ottenute dall’esame dei dati raccolti dallo shopfloor; una volta correlate tra di loro, tramite l’intelligenza artificiale e il machine learning, danno vita ad insight che possono essere utilizzati dai tecnici per il miglioramento continuo dei prodotti e dei processi.

KEB ha sviluppato un’apposita piattaforma software, “KEB NOA – Network of Automation” che rende tutto ciò possibile. Infatti si differenzia da altre piattaforme per la coesistenza di tre caratteri particolari:

1. La capacità di fornire servizi di alto valore aggiunto, come le configurazioni ottimali dei processi.

2. I confronti con cluster omogenei, e cioè la capacità di correlare le informazioni.

3. La citata orchestrazione dell’ecosistema, con le persone al centro del processo di digital transformation da cui il claim “People driven IIoT”

Ne abbiamo parlato con Marino Crippa, il direttore marketing e vendite di KEB Automation Italia che, sin dall’inizio, segue l’evoluzione della digitalizzazione nei processi produttivi.

I tre caratteri distintivi di NOA

NOA è una piattaforma software IIoT, e cioè una piattaforma che raccoglie dati dallo shopfloor e li elabora.  Si differenzia da altre soluzioni simili per tre particolari caratteri. Anzitutto, è una piattaforma che fornisce servizi di alto valore aggiunto. Questo significa far lavorare i dati. Ad esempio, non solo elabora le informazioni provenienti dalle macchine per valutare il grado di usura di componenti e strumentazioni, in vista della manutenzione preventiva e predittiva, ma definisce anche le configurazioni ottimali per realizzare uno specifico processo produttivo: pianifica le operazioni delle singole macchine in modo da garantire il raggiungimento dei più alti obiettivi di efficienza dell’intero impianto. Nel linguaggio tecnico si parla di Oee, overall equipment effectiveness: ne parleremo in seguito.

In secondo luogo, la piattaforma realizza i cosiddetti confronti cluster omogenei. Che cosa sono? Per capire, è meglio fare un esempio: un conto è approntare la manutenzione predittiva per un componente, altro è poterlo fare a livello di macchina, e tutt’altra cosa è considerare l’intero impianto. In quest’ultimo caso, cioè, non è affatto possibile sommare gli esami delle singole macchine: non si ottiene il risultato giusto. Occorre invece incrociare le analisi dei dati, e questo si fa solo con l’intelligenza artificiale e il machine learning. In terzo luogo, la piattaforma realizza a livello centrale lo scambio e la distribuzione di know-how – e quindi di un mix di documenti di servizio e analisi di dati raccolti dai sensori – tra tecnici che si occupano di attività diverse nella fabbrica e, come vedremo, potenzialmente sull’intera value chain. Stiamo parlando della cosiddetta “orchestrazione” di informazioni e servizi, concetto che però merita una trattazione a parte.

Orchestrare l’ecosistema per raggiungere il “Nirvana” della trasformazione digitale 

Si accennava poc’anzi all’orchestrazione. Ma di cosa parliamo, in realtà? Per capire questo concetto, dobbiamo anzitutto riflettere sul cambiamento in corso: con la digitalizzazione, la complessità delle macchine e dei sistemi è aumentata esponenzialmente. L’aspetto meccanico delle prime, ad esempio, non esaurisce tutto ciò che c’è da sapere per farle funzionare utilmente. Certo, c’è di mezzo una questione di formazione e di reskilling, ma non è il punto di questo articolo. Il fatto è che gli operatori che si occupano della nuova strumentazione introdotta nello shopfloor hanno bisogno di informazioni continue che possono essere veicolate tramite diversi servizi.

Ciò che conta è la “conoscenza”, la cui definizione abbiamo già dato. Questa conoscenza viene prima documentata in database, e poi distribuita e condivisa tra gli operatori grazie alla piattaforma. Secondo Crippa, «la conoscenza diffusa e il facile accesso ad essa può fare la differenza in termini di produttività e resilienza». È riduttivo e controproducente, però, pensare che i pacchetti informativi distribuiti dalla piattaforma debbano riguardare soltanto lo shopfloor.  «L’ecosistema produttivo è fatto di macchine, dati e persone, interne ed esterne all’azienda» – afferma Crippa. Gli insight emersi grazie alle elaborazioni dell’AI possono risultare strategici anche per i fornitori. Ad esempio, se l’azienda che realizza un certo bene è sollecitata dall’intelligenza artificiale a configurare diversamente la produzione, ciò può incidere sulla necessità di disporre di certi componenti, e quindi sull’opportunità di un supplier di fornirglieli.

C’è un ulteriore vantaggio in una diffusione “automatica” delle informazioni: sono potenzialmente uguali per tutti, anche se distribuite con tempi e criteri diversi. Questo significa che con questa modalità si semplifica l’eventualità che un tecnico abbandoni, per un qualche motivo, lo stabilimento. Non è lui il detentore della conoscenza, ma l’esperto utilizzatore: può essere sostituito senza drammi. Per questi motivi, secondo Crippa «arrivare ad orchestrare l’ecosistema è il Nirvana della digitalizzazione».

I cinque step verso l’orchestrazione dell’ecosistema 

L’orchestrazione dell’ecosistema è resa possibile dalla piattaforma quando l’azienda abbia previamente adottato una particolare metodologia per l’organizzazione della produzione. Prevede cinque passaggi.

1)     Rendere i processi snelli

Digitalizzare processi che producono sprechi è un errore, perché il rischio è quello di enfatizzare le inefficienze. Quindi, prima di implementare la piattaforma, occorre una loro profonda revisione adottando un approccio lean. Le attività prive di valore aggiunto vanno eliminate, i trasporti interni vanno contenuti, e le scorte ridotte al fabbisogno necessario. Secondo Crippa, «l’analisi end-to-end dei processi, includendo l’intera value chain interna ed esterna non richiede sofisticate raccolte di dati che in questa fase, anzi, potrebbero portare a conclusioni errate a causa dell’inefficienza dei processi». Si devono ricavare solo i dati necessari per capire cosa funziona bene e cosa no.

2)     Connettere le macchine e raccogliere dati

Ottimizzata la catena del valore e minimizzati gli sprechi è tempo di iniziare a connettere le macchine e raccogliere i dati in grande quantità. È in questa fase che va definito l‘Oee, cui abbiamo accennato prima. Questo è un indice espresso in punti percentuali che misura l’efficacia totale di un impianto e che riassume in sé tre concetti molto importanti dal punto di vista della produzione manifatturiera: la disponibilità, l’efficienza ed il tasso di qualità dello stabilimento. Come si calcola? Conviene, secondo Crippa, «suddividere i processi produttivi nei loro componenti costitutivi, compresi quelli ausiliari come, per esempio, il carico e scarico automatico del materiale»; inoltre, la raccolta dei dati dalle macchine deve contenere informazioni temporali, altrimenti il rischio è quello di realizzare analisi incoerenti.

3)     Distillare l’informazione dal dato

Secondo Crippa, «la semplice raccolta dei dati non porta miglioramento. Questo arriva solo dopo che il dato è stato analizzato, messo nel contesto corretto e tradotto in informazioni utili a generare azioni». «A questo punto potremmo avere, ad esempio, dati da una macchina che produce pezzi buoni, altri da scartare e altri ancora non classificabili e che richiedono ulteriore verifica. L’obiettivo è eliminare i non classificati, massimizzare i buoni e minimizzare gli scarti. Tutto ciò si realizza con le correlazioni». Per Crippa, l’esperienza dell’operatore è fondamentale, perché conosce le condizioni in cui opera la macchina. «Integrando il know-how degli operatori con i dati raccolti si va a costituire quella base di dati che consentirà il continuo miglioramento del processo, unico vero obiettivo del percorso di digitalizzazione».

4)     Trasformare i dati in conoscenza

Di questo passaggio abbiamo già parlato.

5)     Anticipare gli eventi

Grazie all’AI e al machine learning, si può prevedere l’andamento futuro di una macchina e di un impianto e mettere in campo azioni correttive prima che un certo problema si manifesti.

Utilizzi diversi della piattaforma in termini di manutenzione 

1)     Streamline experience based maintenance

Il primo utilizzo, definito “streamiline experience based maintenance” è destinato alle Pmi alle prime armi. Si pensi ad uno shopfloor dove le macchine tramettono pochi dati, solo quelli relativi al superamento di certe soglie a proposito dell’usura dei componenti o del lor andamento. In questo caso la piattaforma invia agli operatori delle note, dove sono presenti le istruzioni per risolvere quel problema specifico.

2)     AI enabled maintenance

Il secondo utilizzo è più “avanzato”.  Definito “AI enabled maintenance” e prevede l’intervento di analitycs, e cioè di algoritmi particolari di machine learning, «che, passo dopo passo, indicano all’operatore che cosa deve fare non solo quando si verifica una circostanza particolare che può compromettere la produzione, ma anche quando, incrociando i dati, il sistema scopre che un certo evento negativo si verificherà». In questo caso «l’operatore va a colpo sicuro, senza la necessità di fare una diagnosi personale di ciò che sta accadendo o accadrà». Sia nel primo che nel secondo utilizzo, tuttavia, «l’ultima parola spetta sempre al tecnico, e non all’intelligenza artificiale, che è uno strumento che non sostituisce le capacità e l’esperienza umana». È previsto che l’azienda utente possa “scrivere” nuovi algoritmi.

Protocolli di comunicazione

I moduli di comunicazione della piattaforma sono basati su protocolli aperti, compatibili con l’infrastruttura digitale di fabbrica su interfacce collegabili ai sistemi IT di livello superiore.

KEB Automation in pillole 

KEB Automation sviluppa soluzioni meccaniche ed elettroniche all’avanguardia per il settore dell’automazione industriale. Nasce nel 1972, quando Karl Ernst Brinkmann apre il primo stabilimento di sviluppo, produzione e vendita di freni e innesti elettromagnetici. Oggi è una multinazionale in costante crescita, con circa 1.500 dipendenti. Oltre alla sede centrale in Germania, è presente in tutta Europa, Nord America e Asia con filiali e stabilimenti di produzione. Il portafoglio prodotti di KEB è cresciuto costantemente negli anni; offre un’ampia gamma di prodotti scalabili: dall’attivazione meccanica alla connettività di macchina per soddisfare qualsiasi richiesta dei clienti. KEB ha 40 anni di know-how e la flessibilità di un’azienda di medie dimensioni per offrire soluzioni adatte a qualsiasi esigenza, dai prodotti personalizzati alla produzione in grande serie.

(Ripubblicazione dell’articolo pubblicato il 13/07/21)