Progetto BigData@MA

Sfida 

Il progetto BigData@MA aveva l'obiettivo di sviluppare un framework Big Data specializzato, adattato al settore manifatturiero. Questo framework è stato progettato per elaborare in modo efficiente grandi volumi di dati strutturati e non strutturati con tempi di elaborazione ridotti. Inoltre, il progetto si è concentrato sulla creazione di strumenti di analisi online e modelli predittivi appositamente progettati per la manutenzione degli asset meccanici, come i motori. Le soluzioni proposte sono state implementate e testate con successo in ambienti industriali reali. 

Sfruttando le tecnologie Big Data, ampiamente applicate in settori come finanza e telecomunicazioni, è stato possibile integrare dati ad elevata dimensionalità, ovvero insiemi di dati che possiedono un gran numero di attributi o variabili (come immagini, video e dati dei sensori) con l'elaborazione di eventi complessi. Questa integrazione ha consentito l'acquisizione di informazioni significative, il rilevamento di anomalie nelle strutture/processi/prodotti e il supporto decisionale in tempo reale. Molti professionisti e aziende nel settore manifatturiero, soprattutto coloro che si occupano di processi complessi, possono beneficiare di questi avanzamenti. Tuttavia, sono stati necessari adattamenti delle tecnologie Big Data esistenti per soddisfare le caratteristiche uniche dei processi manifatturieri, comprese le operazioni a lotti, semi-continue e continue, le complesse rotte di produzione e le diverse macchine presenti in diverse sedi aziendali, garantendo nel contempo una vasta varietà e alta qualità dei prodotti. 

Il nostro ruolo nel progetto 

RINA ha svolto il ruolo di coordinatore del progetto, utilizzando la vasta conoscenza dei processi, in particolare nel settore dell'industria siderurgica, e la competenza nell'analisi e nella modellizzazione dei dati. Abbiamo sviluppato strumenti di analisi e modelli di manutenzione specificamente per il processo di rettifica dei cilindri utilizzati per la laminazione di prodotti piani in acciaio, rispondendo alle esigenze del caso di utilizzo di TENOVA. Questi strumenti e modelli hanno fornito un supporto prezioso ai clienti di TENOVA nelle loro attività industriali. 

Conclusioni 

Attraverso il caso di utilizzo delle macchine rettificatrici, il progetto è riuscito con successo a sviluppare una strategia per passare dalla manutenzione programmata alla manutenzione predittiva. Questa trasformazione è stata resa possibile mediante l'implementazione di un'infrastruttura di raccolta dati robusta che incorporava dati provenienti dal processo di rettifica e da vari sensori. Inoltre, sono stati sviluppati e convalidati algoritmi basati sull'intelligenza artificiale (AI) per l'analisi dei dati, e un'infrastruttura cloud con un'interfaccia uomo-macchina (HMI) è stata implementata per il monitoraggio in tempo reale dello stato delle macchine. 

Queste tecnologie avanzate, in combinazione con il monitoraggio in tempo reale degli Indicatori Chiave di Prestazione (KPI) del processo, hanno consentito il rilevamento delle anomalie dei componenti prima che si verifichi una rottura. Questa capacità ha permesso di stimare la vita utile residua delle parti della macchina, il che è cruciale poiché i guasti non comportano solo costi di riparazione, ma anche perdite di produzione. 

L'efficacia del lavoro è stata convalidata in una pianta pilota, dove i tecnici hanno fornito la disponibilità delle macchine e preziosi suggerimenti per creare un prodotto che potesse essere immediatamente utilizzato nel reparto di rettifica. Come risultato di questo progetto, le nuove macchine sono state dotate di sensori necessari per la manutenzione predittiva, riducendo efficacemente i tempi di fermo causati da guasti imprevisti. 

Consorzio