L’intelligenza digitale della tua azienda è bloccata e improduttiva? Una robusta “impalcatura” di informazioni/dati sblocca in modo efficiente il flusso di dati e conoscenze in tutta l’organizzazione.
Le aziende stanno investendo in progetti di digitalizzazione per raggiungere importanti obiettivi a lungo termine, come elencati nella tabella 1.1 La trasformazione digitale apre essenzialmente il flusso di dati (in vari formati) e connette fonti multiple a utenti remoti e in loco. Con architetture e piattaforme avanzate, i processi di trasferimento dei dati e delle informazioni sono più veloci. Di conseguenza, i dati operativi e di mercato sono beni aziendali e hanno valore. Un accesso più rapido alle informazioni è il gioco finale. Molte aziende devono rispondere: C’è l’impalcatura ottimale (piattaforma) per supportare il flusso di dati e la disponibilità di informazioni (IA) in tutta l’organizzazione?
Non tutti i dati sono uguali
Le industrie di trasformazione e di produzione hanno accumulato volumi di dati ma hanno lottato per convertirli in informazioni utilizzabili. I progetti di digitalizzazione sono orientati a migliorare l’analisi e a fornire capacità predittive. Tali sforzi comportano l’uso di gemelli digitali, AI, apprendimento automatico (ML) e manutenzione predittiva (PdM). Questi metodi richiedono grandi quantità di risorse di dati di qualità.
Tabella 1. Obiettivi di investimento per i progetti digitali1
| Sicurezza | Zero incidenti |
| Sostenibilità | Zero Eventi o rilasci significativi |
| Disponibilità/affidabilità | Zero downtime/interruzioni operative |
| Finanza | Zero profitti persi |
Tabella 2. Principali preoccupazioni sui dati
- Mancanza o insufficienza di dati
- Accesso assente o limitato alle banche dati
- Dati corrotti
- Dati mancanti/incompleti
- Formato e tag errati (mancanti) tra le fonti di dati
- Problemi di sicurezza
Il ROI sui programmi digitali è spesso misurato in base alla maggiore affidabilità delle operazioni e al miglioramento delle prestazioni di sicurezza/ambientali (tabella 1). Il successo è controllato dalla disponibilità e dalla quantità di dati validi e dal flusso di informazioni in tutta l’organizzazione. Non tutti i dati sono uguali. La tabella 2 riassume molte preoccupazioni sui dati degli impianti e delle attrezzature. Soprattutto per gli strumenti avanzati (AI e ML), questi problemi possono far deragliare anche i migliori algoritmi.
Dove sono le fonti dei dati?
Le misurazioni (dati registrati nel tempo) sono state raccolte per molti anni. La figura 1 illustra un processo decisionale comune per gli impianti di lavorazione. Come mostrato nella Figura 2, i dati di produzione/funzionamento/attrezzature spesso fluiscono in un ciclo chiuso, creando così silos di database e informazioni. Per raggiungere gli obiettivi della Tabella 1, i dati richiesti possono trovarsi in molte fonti (storici) che spesso non sono collegate.
I progetti digitali hanno bisogno di IA per fare le analisi di livello superiore (AI, ML, PdM e big-data).2 Le piattaforme o architetture di dati sono impalcature. Supportano la raccolta, l’archiviazione, l’analisi e la condivisione di dati/informazioni con utenti identificati (locali e remoti). Questa struttura consente servizi di condivisione delle informazioni più veloci in molte direzioni, verticali e orizzontali. Come illustrato nella Figura 3, le capacità di dati/informazioni passano da sistemi a circuito chiuso a sistemi a circuito supportato. Ora, i dati possono essere acquisiti da qualsiasi luogo.3
Dati al livello di utilizzo più basso
Dispositivi fisici, come sensori, attuatori di valvole, avviatori di motori e altro, saranno disponibili per monitorare e automatizzare attrezzature e macchinari di processo.4 La trasformazione digitale collega i fornitori di dati alle funzioni di supervisione e analisi. Questa relazione è in continua evoluzione con nuovi sviluppi, tra cui l’intelligente edge computing. I dispositivi avanzati edge hanno capacità di analisi allo stesso livello dei PC.4 Con le capacità di pre-analisi, le azioni critiche possono essere avviate a livello del dispositivo, senza la necessità di data center azione.
Dati utilizzati come capitale
La gestione dei dati come beni aziendali richiede di valutare come i dati e le informazioni vengono raccolti e condivisi. Dalla tabella 2, qualsiasi lacuna nella gestione dei dati erode la fiducia nell’uso di tali informazioni in decisioni critiche, come il cambio di prodotto, i tempi di inattività pianificati, la sostituzione delle attrezzature e i cambiamenti di lavorazione. Nello sviluppo di progetti digitali, la selezione dei dati e le piattaforme sono decisioni critiche. Le aziende energetiche hanno investito in sistemi di automazione/controllo fin dagli anni ’90. L’integrazione e l’aggiornamento dei sistemi esistenti sono vitali nella progettazione dell’IA per i progetti di analisi e ottimizzazione.
I progetti sui dati sono complessi! Altri problemi associati ai dati includono:5
- Sufficienza dei dati: quanti dati sono necessari per i progetti di analisi?
- Fiducia nei dati – La calibrazione e la distorsione di misuratori e strumenti possono influenzare la precisione e l’affidabilità dei dati misurati. Di conseguenza, una cattiva manutenzione dei dispositivi che generano dati introduce errori.
- Propagazione dei dati: quanto tempo intercorre tra i cambiamenti del processo o delle attrezzature prima che vengano registrati? Quali lacune si verificano tra gli eventi iniziali e le condizioni di guasto?
- Governance dei dati – La proprietà dei dati deve essere affrontata. I dati automatizzati possono essere sovrascritti o modificati? Le fonti di dati sono sicure dagli attacchi esterni?
Le relazioni di come i dati vengono memorizzati, condivisi e utilizzati continuano ad evolversi. Le aziende operative e manifatturiere sono passate da posizioni reattive a proattive. I dati sono una valuta di conoscenza che deve essere investita e utilizzata. L’IA fornisce l’impalcatura di conoscenze, contenuti e dati per le organizzazioni. Altrettanto importante, l’IA supporta l’AI e l’analisi dei big-data in tutta l’organizzazione (Figura 3).3 Gli algoritmi di IA potrebbero non aver bisogno di IA, ma l’applicazione dei risultati sì.2
Letteratura citata
1White, Douglas, “La trasformazione digitale nelle operazioni degli impianti di raffinazione e petrolchimici: Guardare indietro, guardare avanti”, AFPM 2020 Summit, Summit 20-63, 27 agosto 2020, emerson.com.
2Earley, Seth, “Razionalizzare i flussi di informazioni nel posto di lavoro digitale: Il ruolo dell’ingegneria artificiale e della conoscenza”, Digital Workforce Experience, 14 ottobre 2020, https://www.earley.com/.
3 Perino, Joe, “Edge computing nel nuovo ecosistema”, agosto 2020, https://resource.stratus.com/whitepaper/edge-computing-in-the-new-ot-ecosystem/.
4Eastburn, Josh, “Building Industrial IoT from edge to cloud,” Automation 2020, vol. 4, https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5KBC, “Manifesto della digitalizzazione”, https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
