Big Data 4 Manufacturing (BD4M)

Introduzione
Uno degli obiettivi principali di Industria 4.0 è rappresentato dall’analisi dei dati raccolti dalle linee produttive al fine di ottimizzare i processi. Le moderne tecnologie di sensoristica e connettività permettono di osservare dettagli anche molto fini del processo produttivo, generando enormi moli di dati. Collegare logicamente questi dati a opportunità di miglioramento e ottimizzazione di processi produttivi sempre più articolati e complessi rappresenta una delle sfide più importanti per il futuro. Il progetto vuole superare i limiti delle principali soluzioni di analytics disponibili sul mercato e realizzare una piattaforma Big Data di generale applicabilità in ambito Industry 4.0 che permetta l’analisi di dati provenienti da diversi tipi di macchine a diversi livelli di astrazione (singola macchina, linea di produzione, e multi-linea o multi-impianto) e lo stoccaggio contestuale dei dati raccolti al fine di ottimizzare l’uso di risorse di storage. La piattaforma supporterà tipi di dati fortemente eterogenei provenienti da macchine diverse e da applicativi come PLM, CRM, ERP, ecc. Oltre al processamento “classico”, ovvero che coinvolge dati ben conosciuti e strutturati attraverso algoritmi e operazioni note, la piattaforma consentirà l’analisi di dati cosiddetti “imperfetti”, ovverosia non strutturati. Al di sopra della piattaforma sarà possibile implementare e validare algoritmi di analisi online per diagnosi, ottimizzazione e riconfigurazione di linee produttive.
Risultati attesi
- Piattaforma di analytics che fornisca le funzionalità di analisi Big Data di particolare rilevanza per il contesto Industry 4.0 evidenziate sopra
- Dashboard di monitoraggio fruibile da personale tecnico non esperto delle caratteristiche interne della macchina o della linea produttiva in questione.
- Prototipo proof of concept di strumenti di predictive maintenance basati sul modelli di macchine precedentemente identificati;
- Prototipo proof of concept di strumenti di self-tuning, che permettano di automatizzare la riconfigurazione dei parametri di funzionamento di macchine e linee produttive, ad esempio per estendere il Remaining Useful Lifetime (RUL) o il Time to Failure (TTF) o per mantenere costante la qualità dell’output delle macchine anche in caso di cambiamenti significativi dell’input.
Scientific coordinator: Mauro Tortonesi
Participants: Marco Govoni, Federico Frigo, Sara Tenani, Sara Toboli, Simon Dahdal