Vai al contenuto

Ambito

Industria e processo

Decisioni che anticipano l'impianto, invece di inseguirlo.

Produzione, impianti, manutenzione

Chi dirige una produzione conosce bene la sensazione di avere tutti i dati e poche risposte: le macchine registrano tutto, i report si moltiplicano, eppure il guasto arriva sempre nel momento sbagliato. Lavoriamo su questi sistemi per rendere leggibile ciò che i dati già contengono, in modo che le decisioni anticipino gli eventi invece di inseguirli.

Un impianto industriale è un sistema nel quale macchine, persone, materiali, energia e processi interagiscono continuamente, producendo dati che non sempre diventano conoscenza utilizzabile. Prometeo applica la matematica alla comprensione di queste relazioni, sviluppando modelli per analizzare anomalie, prevedere comportamenti, ottimizzare risorse e simulare decisioni. L’obiettivo è rendere i processi produttivi più comprensibili, controllabili e capaci di adattarsi alle condizioni operative.

Quando i dati non mancano, ma mancano le risposte

All’interno di uno stabilimento industriale la complessità è una condizione quotidiana, che emerge dalle relazioni tra flussi produttivi, tempi ciclo, disponibilità delle macchine, consumi energetici, scarti, approvvigionamenti e programmi di produzione. Ogni attività dipende, direttamente o indirettamente, dal comportamento di altre componenti del sistema, e una variazione apparentemente limitata può modificare la sequenza delle lavorazioni, generare ritardi oppure richiedere una redistribuzione delle risorse disponibili.

Le imprese hanno progressivamente aumentato la propria capacità di raccogliere informazioni attraverso sensori, sistemi di supervisione, piattaforme gestionali e strumenti di controllo della produzione. Le macchine registrano parametri operativi, gli impianti producono serie temporali, i sistemi ERP conservano ordini e movimenti dei materiali, mentre le attività di manutenzione generano documentazione sul funzionamento e sulle anomalie riscontrate.

La disponibilità di queste informazioni non coincide necessariamente con la capacità di interpretarle. I dati possono essere distribuiti tra sistemi differenti, descrivere soltanto una parte del fenomeno oppure essere raccolti secondo criteri che rendono difficile confrontarli. Anche quando sono numerosi e tecnicamente corretti, possono non fornire una rappresentazione sufficientemente chiara delle relazioni che determinano il comportamento complessivo dello stabilimento.

Chi dirige un impianto conosce bene questa situazione: disporre di una quantità considerevole di informazioni e dover comunque prendere decisioni attraverso valutazioni costruite sotto pressione, ricorrendo all’esperienza delle persone e alle conoscenze disponibili in quel momento. Il problema non è necessariamente la mancanza di dati, ma l’assenza di una struttura capace di trasformarli in una lettura coerente del sistema produttivo.

Il costo delle decisioni prese in emergenza

Quando la conoscenza del processo rimane frammentata, l’organizzazione tende a reagire agli eventi piuttosto che anticiparne le conseguenze. Un componente critico che manifesta un malfunzionamento, una fornitura che non arriva nei tempi previsti oppure un cambiamento improvviso delle priorità commerciali possono costringere a modificare programmi già definiti, riallocare personale, anticipare ordini e intervenire su attività che erano state organizzate secondo condizioni differenti.

Queste decisioni non sono necessariamente sbagliate. Spesso rappresentano la migliore risposta possibile rispetto alle informazioni disponibili e ai vincoli che devono essere rispettati. Il loro costo deriva piuttosto dalla necessità di intervenire quando il problema ha già cominciato a produrre conseguenze, riducendo il tempo utile per valutare alternative e aumentando la dipendenza da soluzioni contingenti.

La situazione diventa particolarmente delicata quando le difficoltà si ripetono, perché l’organizzazione può sviluppare procedure informali destinate a compensare inefficienze che non vengono mai affrontate nella loro origine. Scorte aggiuntive vengono mantenute per proteggersi da approvvigionamenti incerti, determinate lavorazioni vengono anticipate per compensare possibili ritardi e le attività di manutenzione vengono concentrate nei momenti in cui il funzionamento dell’impianto lascia meno alternative.

Una parte di queste precauzioni può essere necessaria, ma senza una rappresentazione adeguata del sistema diventa difficile distinguere le misure realmente utili da quelle che continuano a essere applicate soltanto perché hanno permesso di affrontare problemi precedenti.

La matematica applicata permette di studiare queste relazioni e di valutare le conseguenze delle decisioni prima che diventino modifiche operative, contribuendo a ridurre la dipendenza esclusiva dalla gestione delle emergenze.

Che cosa può fare la matematica in un impianto industriale

La modellazione matematica permette di rappresentare le relazioni tra le grandezze che descrivono un processo, individuando quali variabili ne influenzino il comportamento e quali vincoli determinino le possibilità di intervento. La natura del modello dipende dalle caratteristiche del problema: alcuni fenomeni possono essere descritti attraverso leggi fisiche e relazioni deterministiche, mentre altri richiedono strumenti statistici, probabilistici o metodologie di analisi delle serie temporali.

Prometeo integra queste competenze attraverso un approccio che privilegia la comprensione del sistema reale, utilizzando i dati per verificare e migliorare le rappresentazioni costruite. Il risultato atteso non consiste soltanto nella produzione di una previsione, ma nella possibilità di comprendere quali condizioni la sostengano e come potrebbe modificarsi al variare delle grandezze considerate.

Riconoscere anomalie e cambiamenti di comportamento

Attraverso modelli di Anomaly Detection è possibile analizzare i dati operativi per riconoscere comportamenti che si discostano dalle condizioni attese, distinguendo le normali oscillazioni del processo da variazioni che meritano un approfondimento.

Una temperatura che aumenta, una vibrazione che modifica progressivamente le proprie caratteristiche oppure una relazione tra due grandezze che smette di seguire il comportamento abituale possono rappresentare segnali di deterioramento o di cambiamento delle condizioni operative. Il loro significato dipende tuttavia dal contesto, dai regimi di funzionamento e dalla conoscenza delle caratteristiche fisiche dell’impianto.

Un sistema di analisi delle anomalie deve quindi riconoscere le differenze tra condizioni operative legittimamente diverse, evitando di interpretare ogni scostamento come un guasto imminente. Quando questa distinzione viene costruita e verificata correttamente, le segnalazioni possono contribuire a orientare le attività di controllo e a individuare fenomeni che non sarebbero immediatamente riconoscibili attraverso la lettura isolata dei singoli parametri.

Stimare l’evoluzione e la vita utile dei componenti

L’analisi delle serie temporali e i modelli di Forecasting permettono di studiare come determinate grandezze cambiano nel tempo, formulando stime sulla loro evoluzione futura quando le informazioni disponibili e le caratteristiche del fenomeno lo consentono.

Nell’ambito della manutenzione predittiva, queste metodologie possono contribuire alla stima della Remaining Useful Life (RUL), ossia della vita utile residua di un componente. La valutazione tiene conto delle condizioni osservate, dei regimi di utilizzo e degli eventuali modelli di deterioramento disponibili, permettendo di costruire indicazioni utili alla programmazione degli interventi.

La stima rimane necessariamente soggetta a incertezza, perché il comportamento futuro dipende anche da condizioni operative che possono modificarsi. Il suo valore consiste nel permettere ai responsabili della manutenzione di valutare le alternative attraverso informazioni più articolate rispetto alla sola scadenza temporale o alla constatazione di un guasto già avvenuto.

Simulare la produzione e riconoscere i vincoli

I modelli di supply chain e sistemi complessi permettono di rappresentare lo stabilimento attraverso le relazioni che collegano capacità produttive, disponibilità delle risorse, tempi di attrezzaggio, sequenze delle lavorazioni e priorità degli ordini.

Questa rappresentazione può essere utilizzata per simulare scenari differenti e comprenderne le conseguenze prima di intervenire sul sistema reale. Una modifica della capacità di una macchina, per esempio, può migliorare temporaneamente il flusso di una linea e contemporaneamente aumentare la pressione su una fase successiva, trasferendo il collo di bottiglia anziché eliminarlo.

La simulazione permette di riconoscere queste interdipendenze e di confrontare alternative che devono rispettare contemporaneamente vincoli differenti. L’obiettivo non è ottimizzare isolatamente ogni componente, ma comprendere quali configurazioni possano migliorare il comportamento complessivo del sistema produttivo.

Controllo predittivo e stabilità dei processi

Un ulteriore ambito di intervento riguarda i processi industriali nei quali le variabili operative interagiscono dinamicamente e richiedono regolazioni continue. Le condizioni di funzionamento di un impianto chimico, di un sistema di trattamento delle acque o di un processo caratterizzato da trasformazioni fisiche e chimiche possono dipendere da relazioni complesse, nelle quali una modifica introdotta su una grandezza produce effetti anche su altre componenti del sistema.

Attraverso modelli dinamici è possibile rappresentare queste relazioni e stimare come il processo potrebbe evolvere in risposta a determinate condizioni o azioni di controllo. Questa capacità costituisce il fondamento delle metodologie di controllo predittivo, attraverso le quali differenti strategie possono essere valutate considerando vincoli operativi, obiettivi di qualità, stabilità e consumo delle risorse.

Prometeo ha affrontato questa famiglia di problemi anche attraverso applicazioni dedicate al controllo predittivo dei processi di depurazione, nelle quali la modellazione permette di studiare il comportamento del sistema e valutare differenti modalità di regolazione.

L’applicabilità di questi strumenti richiede una conoscenza adeguata del processo, la disponibilità di informazioni rappresentative e procedure di validazione compatibili con i requisiti di sicurezza e continuità operativa. Quando tali condizioni sono soddisfatte, la simulazione può contribuire a individuare configurazioni operative più appropriate prima che le modifiche vengano introdotte nell’impianto, mantenendo il controllo delle decisioni e delle eventuali automazioni all’interno delle responsabilità definite dall’organizzazione.

Energia, scarti ed efficienza delle risorse

La qualità della gestione industriale dipende anche dalla capacità di comprendere come vengono utilizzate le risorse e quali relazioni esistano tra prestazioni produttive, consumi energetici, materiali impiegati e quantità di scarti generati. Queste grandezze vengono spesso monitorate attraverso sistemi differenti, ma il loro comportamento è strettamente collegato alle condizioni operative dei processi.

Un aumento dei consumi può dipendere da una variazione del carico produttivo, da una regolazione non appropriata o da condizioni di deterioramento di alcuni componenti. Allo stesso modo, una modifica dei parametri di lavorazione può migliorare la velocità di produzione ma influenzare la qualità del risultato, generando scarti o rilavorazioni che riducono il beneficio inizialmente osservato.

La modellazione matematica consente di studiare queste relazioni e di distinguere, quando i dati lo permettono, le variazioni associate alle normali condizioni produttive da quelle che indicano possibili inefficienze. Attraverso la definizione di indicatori appropriati e la simulazione di scenari differenti, diventa possibile valutare interventi che considerino contemporaneamente produttività, qualità e utilizzo delle risorse.

Si tratta di un ambito nel quale la definizione degli obiettivi è particolarmente importante, perché ridurre una singola grandezza non significa necessariamente migliorare il sistema se le conseguenze vengono trasferite su altri consumi, costi o fasi del processo.

Le soluzioni di Prometeo per l’industria e la produzione

Le competenze matematiche sviluppate da Prometeo trovano applicazione attraverso soluzioni dedicate a classi di problemi riconoscibili, oltre che attraverso progetti realizzati su misura. La scelta dipende dalle caratteristiche dell’organizzazione, dalla maturità delle informazioni disponibili e dagli obiettivi che si intendono raggiungere.

DDMRP: pianificazione dei materiali e gestione delle scorte

La soluzione DDMRP applica la metodologia Demand Driven Material Requirements Planning alla gestione degli approvvigionamenti e alla protezione dei flussi produttivi attraverso buffer collocati in punti strategici della supply chain.

Prometeo integra questo approccio con modelli matematici di simulazione e previsione, permettendo di confrontare configurazioni differenti e valutare le conseguenze delle scelte sui livelli di scorta, sulla disponibilità dei materiali e sulla continuità della produzione.

Critical Infrastructure Analysis: dallo stato dei componenti alla valutazione del sistema

Critical Infrastructure Analysis combina l’analisi delle condizioni dei singoli componenti con la modellazione delle relazioni che determinano il comportamento dell’infrastruttura nel suo insieme.

La soluzione permette di utilizzare immagini, dati di monitoraggio e registri di manutenzione per individuare anomalie e valutare le possibili conseguenze di un malfunzionamento, contribuendo alla definizione delle priorità ispettive e degli interventi secondo criteri verificabili.

Progetti di matematica applicata: modelli costruiti sul processo reale

Quando un problema non può essere affrontato attraverso una soluzione già sviluppata, Prometeo interviene con progetti di matematica applicata costruiti sulle caratteristiche specifiche del sistema.

Questi interventi possono riguardare previsione, ottimizzazione, controllo predittivo, analisi delle anomalie o altre metodologie matematiche, individuate attraverso un assessment preliminare che permette di comprendere il problema e verificarne le condizioni di applicabilità.

Il dato industriale come parte del sistema da governare

La qualità delle informazioni costituisce una condizione fondamentale per la costruzione di modelli affidabili, ma negli ambienti industriali questa qualità non può essere valutata esclusivamente attraverso la completezza di un archivio. Occorre comprendere come i dati vengono prodotti, quali strumenti li rilevano, con quale frequenza vengono registrati e quali trasformazioni subiscono prima di essere utilizzati.

Un sensore non correttamente calibrato può produrre una sequenza di misurazioni apparentemente coerente ma sistematicamente inesatta. Un registro di manutenzione compilato secondo criteri differenti da reparto a reparto può rendere difficile confrontare eventi analoghi, mentre una modifica alle procedure produttive può alterare il significato di informazioni che in precedenza descrivevano condizioni operative differenti.

Queste criticità possono influenzare significativamente il comportamento di un modello, soprattutto quando vengono utilizzati strumenti statistici capaci di individuare regolarità anche in informazioni che non rappresentano correttamente il fenomeno osservato.

Per questo, prima di sviluppare una soluzione, analizziamo la provenienza, la qualità e la pertinenza dei dati, verificando la loro coerenza con le grandezze fisiche e operative che devono rappresentare. Quando necessario, questa attività comprende la ricostruzione delle procedure di raccolta, la normalizzazione delle informazioni e la definizione delle responsabilità relative alla loro gestione.

Il primo risultato utile di un progetto può quindi consistere nella costruzione di una base informativa affidabile, attraverso la quale l’organizzazione acquisisce una conoscenza più ordinata dei propri processi prima ancora di introdurre un modello predittivo o un sistema di ottimizzazione.

Dall’assessment all’integrazione operativa

Ogni intervento industriale prende avvio da un assessment nel quale vengono analizzati il problema, le condizioni del processo, le informazioni disponibili e gli obiettivi dell’organizzazione. Questa fase richiede il coinvolgimento delle persone che conoscono il funzionamento dell’impianto, perché una rappresentazione costruita esclusivamente sui dati disponibili potrebbe trascurare vincoli operativi o relazioni che non vengono registrati dai sistemi informatici.

La valutazione preliminare permette di comprendere quali metodologie siano appropriate e se esistano le condizioni per procedere direttamente con lo sviluppo oppure se siano necessarie attività preliminari di acquisizione delle informazioni o verifica delle ipotesi.

Quando il problema presenta incertezze significative, può essere opportuno realizzare uno studio di fattibilità o un progetto pilota, attraverso il quale confrontare i risultati del modello con il comportamento effettivo del processo. Le prestazioni vengono valutate mediante criteri concordati, tenendo conto delle condizioni operative e dei limiti che possono influenzarne l’applicabilità.

La successiva integrazione deve considerare i sistemi già presenti nello stabilimento, le modalità attraverso le quali vengono utilizzate le informazioni e le responsabilità delle persone coinvolte. Un modello matematico produce valore operativo quando i suoi risultati possono essere interpretati e utilizzati all’interno delle decisioni reali dell’organizzazione, senza introdurre una complessità gestionale sproporzionata rispetto ai benefici attesi.

Comprendere l’impianto per governarne l’evoluzione

Gli stabilimenti industriali cambiano nel tempo, perché vengono introdotti nuovi prodotti, modificate le linee, sostituiti componenti e aggiornate le procedure operative. Anche le condizioni esterne possono evolvere, influenzando la disponibilità dei materiali, i costi energetici e la domanda alla quale la produzione deve rispondere.

Una rappresentazione matematica del sistema deve quindi mantenere un rapporto continuo con la realtà che descrive, attraverso procedure di monitoraggio e revisione capaci di riconoscere quando le ipotesi iniziali non sono più sufficienti. Questa esigenza riguarda tanto i modelli predittivi quanto quelli utilizzati per la simulazione e l’ottimizzazione.

Per Prometeo, intervenire nell’industria significa contribuire a costruire una capacità organizzativa che non dipenda esclusivamente dalla disponibilità di strumenti tecnologici, ma dalla possibilità di comprendere le relazioni tra processi, risorse e decisioni.

Il risultato al quale lavoriamo è un’organizzazione capace di interpretare con maggiore precisione il comportamento del proprio sistema produttivo, riconoscere le condizioni che ne influenzano le prestazioni e valutare le conseguenze delle alternative disponibili, mantenendo la conoscenza e la responsabilità delle decisioni nelle mani delle persone che governano l’impresa.

In sintesi

Problemi tipici

  • Guasti e anomalie riconosciuti troppo tardi.
  • Colli di bottiglia e pianificazione instabile.
  • Qualità incostante e scarti.
  • Dati di macchina abbondanti che non diventano conoscenza.

Decisioni critiche

  • Quando intervenire su un impianto.
  • Come pianificare la produzione.
  • Quali priorità dare alla manutenzione.

Dati tipici

  • Dati di macchina e telemetria.
  • Registri manutentivi.
  • Dati di produzione e di qualità.

Le soluzioni per questo ambito

DDMRP

Pianificazione dei materiali guidata dalla domanda

Casi in questo ambito

Prima il dato, poi il modello

Nessun modello vede più lontano dei dati che lo alimentano. Per questo, nelle produzioni, il primo risultato utile è spesso un dato di macchina di cui ci si può fidare, e soltanto dopo una previsione su cui costruire un piano.