SCENARI/SCENARIOS GLI 8 MEGATREND DELL’AUTOMAZIONE/THE 8 MEGATRENDS OF AUTOMATION di Paolo De Giuli

GLI 8 MEGATREND DELL’AUTOMAZIONE

Il rallentamento della crescita cinese ed europea, i dazi USA, l’instabilità geopolitica mediorientale, per non parlare dell’emergenza coronavirus, gettano ombre e incertezze non solo sul quadro economico ma anche sugli sviluppi delle nuove tecnologie. Alcune di queste però ormai in fase di maturità sono decisamente in grado di migliorare produttività e sostenibilità quando non addirittura di rivoluzionare modelli di impresa e sociali.

Paolo De Giuli

A livelli crescenti, intelligenza artificiale e robotica occuperanno un ruolo sempre maggiore nello svolgimento di attività oggi condotte dall’uomo. Al centro dell’innovazione globale ci sono inoltre tecniche e approcci legati al mondo dell’IIoT (Industrial Internet of Thing) e della Data Economy fondamentale nell’era di Industria 4.0. Analizziamo le 8 tecnologie che racchiudono le prospettive più interessanti con un occhio di riguardo all’industria di processo.

Machine learning & Manutenzione Predittiva Nella fabbrica intelligente si parla di Machine Learning ovvero di un metodo di analisi dei dati che consente di automatizzare la creazione di un modello analitico. La gestione delle attività di manutenzione in funzione dei dati di esercizio provenienti dalle macchine stesse e non di scadenze predefinite o, peggio ancora, come reazione a un guasto e conseguente fermo macchina, ha un impatto negativo sulla continuità operativa e sul business. Portare in fabbrica un modello incentrato su una manutenzione predittiva, invece, è una scelta sia tattica che strategica. A livello manuten

tivo, l’approccio data-driven tradizionale prevedeva l’impiego di sistemi Scada con una serie di regole e configurazioni impostate in modo rigido: al superamento di determinate soglie sui singoli parametri, veniva segnalata un’anomalia e programmata un’azione. Una manutenzione predittiva si basa su un uso evoluto della sensoristica integrato a un sistema basato sul Machine Learning.

I robot collaborativi Considerata una delle motrici dell’Industria 4.0, la robotica collaborativa rappresenta uno dei maggiori cambiamenti nella robotica industriale. Vicinanza agli umani, assistenza a compiti gravosi e ripetitivi, facilità di programmazione, costi ridotti, sono alcune delle armi vincenti dei cobot. I cobot (collaborative robot) sono pensati per lavorare insieme all’uomo, fianco a fianco, in sicurezza e senza barriere. I robot collaborativi sono leggeri, privi di spigoli, opportunamente rivestiti in modo da ridurre gli effetti di eventuali impatti. Possono essere più o meno autonomi e stanno rivoluzionando i settori della logistica (Intralogistica 4.0), dell’automazione di fabbrica (Industria 4.0) e dei servizi. I robot collaborativi nascono come aiutanti, alleviando l’essere umano da compiti faticosi e riducendo così il rischio di infortuni e disturbi muscoloscheletrici.

Nuove piattaforme Business Intelligence Ogni giorno vengono prodotti 2,5 miliardi di miliardi di bytes di dati, un’immensa mole di informazioni che racchiudono le tracce dei gusti, della personalità e delle abitudini dei consumatori. Le aziende si trovano a disporre di un flusso di informazioni continuo e in tempo reale che, se organizzato e gestito attraverso tecnologie e competenze avanzate, può fornire un quadro dettagliato di clienti, prospect e comportamenti di acquisto di fondamentale utilità per costruire strategie di gestione aziendale e di marketing data-driven, fondate su meccanismi di deep learning. Questo flusso di informazioni, se correttamente interpretato può garantire la previsione di comportamenti e di andamenti futuri, influenzando le strategie aziendali. Le piattaforme di business intelligence consentono ai responsabili del processo decisionale di basarsi sulle informazioni per migliorare la propria organizzazione. Permettono inoltre agli utenti di personalizzare le dashboard, creare straordinarie visualizzazioni dei dati, creare classifiche e confrontarle con gli indicatori chiave di prestazione (KPI).

La convergenza IT/OT Il concetto di Smart Manufacturing è una visione per cui le imprese industriali, con il supporto delle tecnologie digitali, aumentano la propria competitività ed efficienza grazie alla maggiore interconnessione e cooperazione delle risorse. Ma come si attua? Sfruttando in primo luogo un aspetto del processo di digitalizzazione che è in corso da alcuni anni: la convergenza fra IT (Information Technology) e OT (Operational Technology), cioè fra sistemi informativi e processi di fabbrica. In termini industriali ciò si concretizza nell’ampliamento della connettività delle macchine e della disponibilità dei dati, in modo da migliorare le prestazioni degli impianti e diminuire il consumo di energia. Una delle principali criticità che integratori, progettisti e conduttori di impianto si trovano ad affrontare è quella di armonizzare i sistemi gestionali ERP, Cloud e CRM con i sistemi MES, SCADA e di automazione (PLC, contatori, valvole, sensori, attuatori ecc.). Dal punto di vista IT-business un dato è definito sicuro quando ne sono garantite la riservatezza e l’integrità e solo secondariamente quando è nella disponibilità dell’utente. Sul lato OT-fabbrica è invece la disponibilità del dato a essere prioritaria anche a discapito della riservatezza.

Machine Learning nell’Oil&Gas Il Machine Learning (ML) può fornire un impatto immediato per le compagnie petrolifere e del gas - riduzione delle spese, aumento della produttività, miglioramento dei metodi di lavoro - ma le compagnie energetiche sono state lente ad adot-

tare le tecnologie disponibili. Questo potrebbe avere a che fare con problemi di sicurezza, costi, o anche solo una mancanza di comprensione dei benefici da ottenere. Sebbene alcune aziende si concentrino sull’aiutare le compagnie petrolifere a capire dove trivellare, in realtà il ML permette di utilizzare i dati per analizzare altre informazioni quali la durata dei pozzi e come guidare la perforazione. Un certo numero di aziende analizzano dove trivellare la roccia e poi analizzano la profondità di cui hanno bisogno. Ma la piattaforma che serve questi modelli potrebbe essere molto più veloce utilizzando tecniche di apprendimento automatico. Il change management è una parte importante dell’introduzione delle tecnologie AI nelle operazioni di trivellazione petrolifera. Per sfruttare in pieno la potenza di calcolo che può derivare dall’apprendimento automatico, gli esseri umani dovranno essere in grado di fidarsi dei dati che ricevono, facendo anche mosse che potrebbero non essere intuitive.

IIoT/Industry 4.0 per il Food L’industria alimentare sta prendendo sempre più confidenza con l’Industrial Internet of Things. A cambiare lo scenario ha contribuito, in primo luogo, la possibilità di rendere gli impianti più efficienti e competitivi sotto il profilo economico. Da questo punto di vista, la diffusione del Cloud Computing e la disponibilità dei dati attraverso dispositivi mobili sono un importante volano per attuali progetti IIoT. Le connessioni wireless dei dispositivi in campo verso i database di reporting in tempo reale rappresentano un’ulteriore spinta. Gli aspetti ancora critici, che in qualche modo stanno rallentando lo sviluppo delle infrastrutture IIoT, riguardano la sicurezza e il calcolo dell’effettivo ritorno dell’investimento. In ambito alimentare ha un ruolo importante anche la tecnologia blockchain. Congiuntamente alle nuove potenzialità offerte dall’IoT essa offre ai consumatori la possibilità di conoscere in tempo reale l’origine, gli spostamenti e le attività dei prodotti, evitando di incappare in merce di provenienza incerta. L’approdo futuro sarà la creazione della cosiddetta Internet of Value: un sistema che permetterà lo scambio di beni di valore senza intermediari in modo programmabile, attraverso i cosiddetti “smart contract”.

Edge Computing La tecnologia Edge permette di trattare grandi volumi di dati laddove vengono generati (direttamente sul device o nei server vicini), riducendo i tempi di elaborazione dei dati, la larghezza di banda necessaria a trasferirli, rendendo inutile – in alcuni casi - il trasferimento delle informazioni sul cloud, aumentando così la sicurezza e il rispetto della privacy. Secondo la definizione di IDC un’architettura di Edge Computing è un’architettura distribuita di micro data center, ciascuno in grado di immagazzinare ed elaborare i dati a livello locale e trasmettere questi dati a un data center centralizzato o a un repository di storage Cloud. Se spostare i carichi di lavoro nella nuvola ha permesso di ridurre sensibilmente i costi e i limiti del data center, esistono particolari situazioni che accentuano i limiti tipici delle infrastrutture Cloud. Uno dei più rilevanti è legato all’impossibilità di stabilire connessioni sempre affidabili, in grado di sostenere i flussi continui di dati provenienti da sensori e oggetti connessi. Un altro è quello legato alla latenza, ovvero al tempo necessario per trasmettere un pacchetto dati attraverso la rete utilizzata dal Cloud. Per ovviare a questi problemi, negli ultimi anni si sta affermando l’approccio Edge Computing che, a detta di diversi analisti, guadagna consensi crescenti, in molteplici segmenti e in diversi ambiti applicativi.

OPC UA su TSN Con la crescita dell’IoT, molti operatori hanno iniziato a produrre sensori e sistemi interconnessi sfruttando i protocolli ritenuti più idonei al mercato e all’ambiente di destinazione. Il risultato è stato il proliferare per anni di soluzioni chiuse e non interoperabili. La situazione sembra avere trovato per le applicazioni di Industrial Internet of Things (IIoT) un epilogo interessante nel protocollo OPC Unified Architecture (UA) su Time Sensitive Networking (TSN). Di base OPC UA consente una comunicazione trasparente e senza soluzione di continuità dal sensore al Cloud, fondendo i mondi IT e OT in una rete unificata. In aggiunta OPC UA su TSN è una risposta lungamente attesa alla richiesta del mercato di una comunicazione industriale indipendente e universale, senza interfacce, sebbene ancora non del tutto conclusa. OPC UA over TSN supporta reti che comprendono decine di migliaia di nodi e beneficia della larghezza di banda dello standard Ethernet. Anche grandi volumi di dati, come quelli generati dalle applicazioni di visione industriale integrata, potranno essere gestiti con facilità. Keywords: Trend, Automazione, AI, Machine Learning, IoT, IIoT, Blockchain, IT/OT, Big Data, Cloud, Edge Computing, Cobot, Business Intelligence, Food&Beverage, Oil&Gas, Industria 4.0, OPC UA over TSN

THE 8 MEGATRENDS OF AUTOMATION

The slowdown in Chinese and European growth, US tariffs, the Middle East geopolitical instability, not to mention the coronavirus emergency, cast shadows and uncertainties not only on the economic framework but also on the development of new technologies. Some of these, however, are now in their maturity phase and are definitely capable of improving productivity and sustainability and even revolutionising business and social models. Paolo De Giuli

At increasing levels, artificial intelligence and robotics will play an increasing role in the performance of human activities today. At the core of global innovation are also techniques and approaches related to the world of IIoT (Industrial Internet of Thing) and the fundamental Data Economy in the era of Industry 4.0. We analyze the 8 technologies that contain the most interesting perspectives with an eye on the process industry.

Machine learning & Predictive Maintenance In the intelligent factory we talk about Machine Learning, a method of data analysis that allows you to automate the creation of an analytical model. The management of maintenance activities based on the operating data coming from the machines themselves and not on predefined deadlines or, even worse, as a reaction to a failure and consequent machine downtime, has a negative impact on business continuity and business. Bringing a model focused on predictive maintenance to the factory, on the other hand, is both a tactical and strategic choice. At the maintenance level, the traditional data-driven approach involved the use of Scada systems with a series of rigidly set rules and configurations: when certain thresholds on individual parameters were exceeded, an anomaly was reported and an action programmed. Predictive maintenance is based on an advanced use of sensors integrated with a Machine Learning based system.

Collaborative robots Considered one of the drivers of Industry 4.0, collaborative robotics represents one of the major changes in industrial robotics. Proximity to humans, assistance to heavy and repetitive tasks, ease of programming, reduced costs, are some of the winning weapons of the cobots. Cobots (collaborative robots) are designed to work together with humans, side by side, safely and without barriers. Collaborative robots are lightweight, without edges, suitably coated to reduce the effects of possible impacts. They can be more or less autonomous and are revolutionizing the logistics (Intralogistics 4.0), factory automation (Industry 4.0) and service sectors. Collaborative robots are born as helpers, relieving the human being from tiring tasks and reducing the risk of injury and musculoskeletal disorders.

New Business Intelligence platforms Every day 2.5 billion bytes of data are produced, an immense amount of information that contains traces of consumers’ tastes, personalities and habits. Companies have at their disposal a continuous and real-time flow of information which, if organized and managed through advanced technologies and skills, can provide a detailed picture of customers, prospects and purchasing behaviour of fundamental utility to build business management and data-driven marketing strategies, based on deep learning mechanisms. This flow of information, if correctly interpreted, can guarantee the forecasting of future behaviour and trends, influencing company strategies. Business intelligence platforms allow decision makers to rely on information to improve their organization. They also allow users to customize dashboards, create stunning data views, create rankings and compare them with key performance indicators (KPIs).

IT/OT convergence The concept of Smart Manufacturing is a vision for which industrial enterprises, with the support of digital technologies, increase their competitiveness and efficiency thanks to the greater interconnection and cooperation of resources. But how is it implemented? First of all by exploiting an aspect of the digitization process that has been going on for some years: the convergence between IT (Information Technology) and OT (Operational Technology), i.e. between information systems and factory processes. In industrial terms, this takes the form of extending machine connectivity and data availability, so as to improve plant performance and reduce energy consumption. One of the main critical issues that integrators, designers and plant conductors face is that of harmonizing ERP, Cloud and CRM management systems with MES, SCADA and automation systems (PLC, meters, valves, sensors, actuators, etc.). From the IT-business point of view a data is defined as secure when its confidentiality and integrity are guaranteed and only secondarily when it is in the user’s availability. On the OT-factory side, instead, the availability of the data is the priority, even at the expense of confidentiality.

Machine Learning in Oil&Gas Machine Learning (ML) can provide an immediate impact for oil and gas companies - reducing expenses, increasing productivity, improving working methods - but energy companies have been slow to adopt available technologies. This may have to do with safety issues, costs, or even a lack of understanding of the benefits to be achieved. Although some companies focus on helping oil companies understand where to drill, the ML actually allows data to be used to analyze other information such as well well life and how to guide drilling. A number of companies analyze where to drill the rock and then analyze the depth they need. But the platform that serves these models could be much faster using machine learning techniques. Change management is an important part of introducing AI technology into oil drilling operations. To take full advantage of the computing power that can be derived from machine learning, humans will need to be able to trust the data they receive, even making moves that may not be intuitive.

IIoT/Industry 4.0 for Food The food industry is becoming increasingly familiar with the Industrial Internet of Things. The first thing that has contributed to changing the scenario is the possibility of making the plants more efficient and economically competitive. From this point of view, the spread of Cloud Computing and the availability of data through mobile devices are an important driver for current IIoT projects. Wireless connections of field devices to real-time reporting databases are a further boost. The still critical aspects, which are slowing down the development of IIoT infrastructure in some way, concern security and calculating the actual return on investment. Blockchain technology also plays an important role in the food sector. Together with the new potential offered by IoT, it offers consumers the possibility of knowing the origin, movements and activities of products in real time, avoiding the possibility of running into goods of uncertain origin. The future arrival will be the creation of the so-called Internet of Value: a system that will allow the exchange of valuable goods without intermediaries in a programmable way, through so-called “smart contracts”.

Edge Computing Edge technology allows you to process large volumes of data where it is generated (directly on the device or on nearby servers), reducing data processing time, the bandwidth needed to transfer it, making it unnecessary - in some cases - to transfer information to the cloud, thus increasing security and privacy. According to IDC’s definition, an Edge Computing architecture is a distributed architecture of micro data centers, each capable of storing and processing data locally and transmitting this data to a centralized data center or Cloud storage repository. While moving workloads into the cloud has significantly reduced the cost and limitations of the data center, there are particular situations that accentuate the typical limitations of Cloud infrastructures. One of the most relevant is related to the impossibility of establishing always reliable connections, able to support continuous data flows from sensors and connected objects. Another is linked to latency, i.e. the time needed to transmit a data packet through the network used by the Cloud. To overcome these problems, in recent years, the Edge Computing approach has been emerging and, according to several analysts, it is gaining increasing consensus in multiple segments and in different application areas.

OPC UA on TSN With the growth of IoT, many operators have begun to produce sensors and interconnected systems using the protocols deemed most suitable for the market and the target environment. The result has been the proliferation of closed, non-interoperable solutions for years. The situation seems to have found for Industrial Internet of Things (IIoT) applications an interesting epilogue in the OPC Unified Architecture (UA) protocol on Time Sensitive Networking (TSN). Basic OPC UA allows seamless and transparent communication from the sensor to the Cloud, merging the IT and OT worlds into a unified network. In addition, OPC UA on TSN is a long-awaited response to market demand for independent, universal industrial communication without interfaces, although not yet fully completed. OPC UA over TSN supports networks that include tens of thousands of nodes and benefits from the bandwidth of the Ethernet standard. Even large volumes of data, such as those generated by integrated machine vision applications, can be easily managed.