Cosa può fare l'IA/ML per voi?
Utilizzando l'intelligenza artificiale (AI), ovvero la capacità di un computer o di un robot controllato da computer di eseguire compiti comunemente associati alle persone, e il ML, cioè la capacità di una macchina di imitare il comportamento intelligente umano, i produttori possono migliorare le prestazioni con:
Fino al 10% di riduzione dei tempi di fermo – Prevedere i guasti alle apparecchiature utilizzando la manutenzione predittiva anziché quella reattiva e ricevere avvisi quando le apparecchiature funzionano al di fuori dei normali intervalli.
Fino al 12% di qualità superiore – Rilevamento anticipato di difetti di processo o di materiale
Fino al 30% di produttività in più – Riduzione delle rilavorazioni e degli scarti, pianificazione efficiente della manutenzione e maggiore consapevolezza dei problemi di processo
Secondo Randy Thompson, Senior Business and Solution Architect per TT PSC, gli algoritmi di ML costruiscono un modello matematico basato sui dati disponibili per effettuare previsioni o prendere decisioni senza essere esplicitamente programmati per farlo. Durante il processo di costruzione del modello, i dati storici vengono utilizzati come input per addestrare il modello – tipicamente il 70% per l'addestramento e il 30% trattenuto per la valutazione e la conferma del modello.
Cosa rende valido un caso d'uso ML?
Un buon caso d'uso ML consiste in un obiettivo di previsione misurabile, molte variabili e dati storici disponibili. Le aziende di solito dispongono di molti dati, ma spesso non di quelli necessari per prevedere l'obiettivo che desiderano raggiungere. Questo può richiedere l'aggiunta di input da sensori aggiuntivi o la modifica degli obiettivi di previsione. In questo ambito, avere un partner esperto può essere d'aiuto.
Un buon esempio di caso d'uso ML è un processo di essiccazione del legno con l'obiettivo di raggiungere un determinato contenuto di umidità. Con il ML è possibile inserire tutte le variabili misurabili del processo per prevedere a quale velocità far funzionare l'essiccatore per ottenere il livello di essiccazione corretto. La cosa interessante del machine learning, afferma Thompson, è che dopo aver aggiunto i dati necessari, il modello farà il lavoro per voi. Altre domande da considerare includono:
- Si tratta di un problema che vale la pena affrontare? Qual è il beneficio aziendale previsto?
- Con quale frequenza si verifica il problema? Lo scenario migliore è che si verifichi abbastanza regolarmente da fornire dati sufficienti per creare un modello e vedere i risultati.
- Qual è il costo in termini di tempi di fermo?
- Cosa farete di diverso se avrete questa previsione?
Infine, disponete dei dati necessari per costruire il modello? Si parte da un'ipotesi. Scegliete ciò che ritenete importante invece di inserire tutti i dati. Successivamente, chiedetevi quali dati sono disponibili e se sono sufficienti per effettuare una previsione accurata.
Utilizzo di Analytics Accelerator for FactoryTalk Historian
Analytics Accelerator for FactoryTalk Historian è una combinazione di strumenti che Rockwell Automation ha sviluppato per aiutare i produttori a realizzare i propri modelli.
Si tratta di una soluzione di portafoglio integrata costruita utilizzando ThingWorx® per facilitare l'applicazione del ML ai dati archiviati negli archivi dati di FactoryTalk Historian. La soluzione è composta da diversi servizi e mashup di ThingWorx che costituiscono l'interfaccia utente.
