Loading

Blog

Recent ActivityRecent Activity

Produzione automotive smart in tempi più brevi

I big data non sono una novità nel settore automotive. Sono decenni che le case automobilistiche raccolgono e analizzano i dati delle richieste di rimborso in garanzia e dei rapporti di manutenzione o che provengono da veicoli sempre più intelligenti e connessi, allo scopo di migliorare l'esperienza dei clienti, le prestazioni dei concessionari e la qualità delle vetture.

In parallelo a queste attività, i big data si diffondevano negli ambienti produttivi, man mano che le case automobilistiche e i loro fornitori iniziavano ad abbracciare la trasformazione digitale e ad adottare tecnologie intelligenti. In produzione, la sfida sta nell'utilizzare al meglio le enormi quantità di dati generati dalle macchine intelligenti per migliorare le prestazioni a breve e a lungo termine.

Il giusto dimensionamento

Accanto ai dispositivi smart sono nati anche servizi e piattaforme di analisi basati sul cloud, sviluppati per aiutare le aziende a sfruttare al meglio i loro investimenti digitali. E alcune case automobilistiche si sono dotate di piattaforme basate sul cloud per raggruppare, analizzare e trasformare i dati in informazioni aziendali potenzialmente molto utili.

Ma, nonostante i progressi, molte aziende hanno difficoltà a fornire agli operatori informazioni che consentano effettivamente di migliorare le prestazioni di produzione in tempo reale.

Perché? L'invio di dati a una piattaforma basata sul cloud è ideale per analisi a livello aziendale e attività decisionali a livello di intera impresa, caratterizzate da tempistiche non particolarmente strette. Ma un traffico di rete eccessivo e la latenza dei sistemi di analisi possono rappresentare un problema per chi lavora in produzione, dove servono informazioni tempestive e contestualizzate per intraprendere azioni correttive. 

In altre parole, il "loop dal sistema di analisi al controllo" non si chiude in tempi sufficientemente rapidi per avere un impatto immediato. 

Sistemi di analisi scalabili: una soluzione più rapida vicino alla fonte dei dati

Le soluzioni di analisi scalabili chiudono più rapidamente il loop tra big data e produzione integrando le funzioni di analisi e machine learning più vicino alle fonti che generano i dati e all'area produttiva per migliorare il processo decisionale.

Un tipico stabilimento di assemblaggio automobilistico, ad esempio, usa convertitori di frequenza per controllare i motori dei nastri trasportatori utilizzati per movimentare i materiali. I convertitori di frequenza moderni monitorano costantemente la corrente e la coppia di uscita, che possono essere correlate direttamente alle parti meccaniche del motore. Questi convertitori di frequenza possono essere configurati per generare degli avvisi in caso di superamento dei limiti per i parametri. Inoltre, i sensori possono registrare dati di temperatura e vibrazioni e trasmettere informazioni critiche relative alle condizioni dei riduttori.

Il monitoraggio e l'analisi continua di questi e altri parametri operativi permettono di prevedere l'usura dei riduttori, l'usura o lo slittamento delle cinghie, problemi ai cuscinetti e agli avvolgimenti dei motori, prima che essi provochino fermi impianto non pianificati. Ma per definire una strategia di manutenzione ottimale, i dati devono essere visibili tempestivamente.

Questa nuova piattaforma di analisi fornisce una soluzione a livello dei dispositivi. Proposta sotto forma di plug-in, l'applicazione ricerca e rileva i dispositivi collegati alla rete industriale, come convertitori di frequenza e sensori di condizione, e restituisce i risultati delle analisi in visualizzazioni di stato e diagnostiche, sotto forma di dashboard ("cruscotti") preconfigurati.

Raccogliendo informazioni sulle relazioni tra i dispositivi, ad esempio informazioni sulle cause dei guasti, l'applicazione inizia a capire come funziona il sistema in cui è installata e può richiedere misure prescrittive. Ad esempio, può inviare una "action card" all'utente di uno smartphone o tablet quando si presenta la necessità di riconfigurare un convertitore di frequenza per mantenere prestazioni ottimali.

Questo approccio prescrittivo, in ultima analisi, permette alle squadre di manutenzione di essere più proattive, riducendo al minimo i potenziali tempi di fermo. 

Produzione automobilistica: cambiano le regole del gioco

Le soluzioni di analisi scalabili hanno tutte le potenzialità per cambiare le regole del gioco nel campo delle applicazioni automobilistiche discrete. Inoltre, questo approccio orientato al cambiamento sarà fondamentale in processi continui e complessi in cui il machine learning può avere un impatto notevole sulla qualità dei prodotti e sulla velocità di produzione.

Prendiamo ad esempio la produzione delle batterie prismatiche, che erogano una maggiore quantità di energia in rapporto al volume rispetto ai prodotti equivalenti di forma cilindrica, e pertanto stanno guadagnando terreno nel mercato dei veicoli elettrici.

La produzione di batterie prismatiche è un processo estremamente dinamico, che richiede precisione e lavorazioni continue. L'ottimizzazione dei processi in un ambiente così dinamico e multivariabile è una sfida. Una sfida che sembra fatta per i sistemi di analisi scalabili e per il machine learning.

Usando modelli matematici dinamici, il sistema impara a riconoscere gli effetti che una variabile ha sull'altra, e regola automaticamente le azioni successive per assicurare risultati ottimali. Contemporaneamente, il sistema può fornire dati di analisi critici agli operatori, come grafici di controllo statistico del processo, permettendo un monitoraggio continuo della qualità e misure proattive.

Tuttavia, occorre anche tenere a mente che, trattandosi di un approccio scalabile, può essere applicato non solo a livello di dispositivi, ma anche a livello di macchine e di processi. La piattaforma può anche essere integrata con sistemi MES, sistemi OEE e altri sistemi di analisi e gestione delle attività produttive, per estendere l'ottimizzazione a livello di tutta l'impresa, in aree diversificate come la programmazione della produzione e l'energy management. 

Per ulteriori informazioni sui sistemi di analisi scalabili e per sapere come iniziare a prendere decisioni migliori vicino alla fonte dei dati, fate clic qui.

Coautore: Todd Montpas
Product Manager, Information Software, Rockwell Automation


Bill Sarver
Bill Sarver
Senior Consultant, Global Automotive Industry, Rockwell Automation
Subscribe

Subscribe to Rockwell Automation and receive the latest news, thought leadership and information directly to your inbox.

Recommended For You