Data Science

Nell'aggiornamento del Piano Industriale 2021-2025 'Driving Energy', Terna ha previsto 1,2 miliardi di euro di investimenti in innovazione e digitalizzazione; De-Icing, Orion e Reliability i progetti vincitori della seconda edizione di Terna Ideas, il programma di corporate entrepreneurship dedicato alle persone del Gruppo; al via nel 2023 una challenge sulla data science for resilience per la manutenzione degli asset aperta anche all'ecosistema esterno.

La manifattura moderna richiede standard di qualità ed efficienza sempre più stringenti, soprattutto in settori come Automotive e Food&Commodity.

In occasione della mostra convegno MCMA in programma il prossimo 26 e 27 ottobre a Veronafiere, appuntamento di riferimento per i professionisti della Manutenzione Industriale e Asset Management, abbiamo fatto una chiacchierata con Riccardo Di Nisio, Data Scientist e Founder di Diskover.

Da oltre 40 anni forniamo servizi e soluzioni nel settore ICT per le aziende italiane, con un forte focus sui settori Manufacturing, Food & Beverage, Fashion e Agroindustriale. I nostri servizi spaziano da ERP industry based, Digital Transformation, Cyber Security e Business continuity fino alla data center architecture, fisica e virtuale.

Nel mondo del digitale esiste un adagio che si ripete sempre più di frequente con il passare degli anni: i dati sono il nuovo petrolio. E anche se è un modo di dire nato in un contesto diverso, si può applicare perfettamente anche al mondo dell'industria, per esempio ai contesti di analisi di produzione, dove raccogliere i dati nel modo corretto apre a una serie considerevole di opportunità.

Il Cloud porta con sé una serie di vantaggi oggettivi che ne fanno, ad oggi, una delle principali chiavi dello sviluppo tecnologico. Parliamo di riduzione dei costi IT, accessibilità da ogni parte del globo e scalabilità, il tutto applicabile tanto in ambito aziendale quanto in quello personale, Ma che cos'è davvero il Cloud? Come si integra alla realtà che conosciamo? E, soprattutto, nell'ottica di rincorrere un Futuro sempre più governato dai dati (data-driven), quale ruolo andrà a ricoprire la sua tecnologia?

L'analisi dei dati consente di mantenere i costi energetici degli impianti sotto controllo, monitorare i processi e prevenire interventi di manutenzione. La Data science sta migliorando la gestione degli impianti industriali delle aziende. Grazie all'elevato volume di dati resi disponibili dalle tecnologie (internet of things), imprenditori, energy manager o ESCo possono disporre di analisi più complesse e approfondite rispetto a quelle che si potevano ricevere anche nel recente passato.

La sempre crescente complessità dei processi industriali, la necessità di sistemi energetici interamente distribuiti e di soluzioni sempre più efficienti in termini di performance stanno trasformando il rapporto con l'energia. In questo contesto di mercato incerto, complesso ed ultra competitivo è nata nel 2013 METRON che ha adottato un risolutivo ed innovativo approccio focalizzato sull'analisi e l'elaborazione dei Big Data tramite Data Science.

L'edge computing avvicina l'elaborazione dei dati al punto in cui i dati stessi vengono raccolti e dove avviene il controllo dell'automazione industriale. Eseguire la fase decisionale automatizzata il più vicino possibile al processo porta numerosi vantaggi e supera i problemi dovuti alla larghezza di banda, alla connessione instabile e al tempo di latenza tra misura ed elaborazione che si hanno nel caso di una soluzione centralizzata. La richiesta da parte delle aziende di prendere le migliori e più veloci decisioni sulla base dei dati raccolti in tempo reale non è mai stata così grande. Solitamente la responsabilità di applicare le giuste tecnologie ricade sugli ingegneri dell'automazione. Fortunatamente ci sono modi per implementare la connettività IoT e l'analisi dei dati rimanendo nella zona di comfort di quest'ultimi grazie ai controlli PC-based.

METRON ha sviluppato una piattaforma energetica di Intelligenza Artificiale per stimolare le industrie a diventare dinamiche in termini energetici. Sfruttando le molteplici fonti di dati generati nei sistemi industriali e collezionati esternamente (contatori, PLC, dati meteorologici, mercato energetico,...), l'Energy Virtual Assistance EVA di METRON utilizza le più innovative tecniche di Machine Learning e le basi di conoscenza dedicata per indentificare in tempo reale e in ottica predittiva opportunità di risparmio energetico, per connettersi con i sistemi decentralizzati di produzione e consumo di energia e per gestire l'energia dinamicamente. Caso Agroalimentare: Ottimizzazione CIP*, UHT*, aria compressa, caldaie.

La trasformazione digitale nelle imprese o Digital Transformation ha come primario ed immediato risvolto la generazione di dati raccolti attraverso il processo di digitalizzazione della realtà allo scopo di creare un modello della stessa in grado di rappresentarne il comportamento e l'evoluzione temporale. Questo modello viene identificato con il nome Digital Twin, nome che bene ne coglie l'essenza in quanto come un gemello in carne ed ossa ne ricalca l'aspetto esteriore ma anche e soprattutto i comportamenti. Data driven decision - l'ottimizzazione dei processi e dei prodotti, vengono valutate tenendo conto delle "proposte" generate dagli algoritmi.

Data driven è un processo o attività che viene stimolato dai dati, invece di essere guidato da una mera intuizione o esperienza personale. In altre parole, la decisione viene presa con prove empiriche concrete e non speculazioni o sensazioni. Data driven per tecnici dà voce a "beni silenziosi": - Rilevamento risorse intelligenza artificiale. - Raccolta dati a basso sforzo; - Condivisione di documenti e video; - Attività di manutenzione e formazione.

(In lingua inglese) - AI and Levels - The AI Tribes - Data driven Models - Modern architecture for pattern recognition - Deep Learning - Data manifold & invariance - Models in practice

- L'analitica avanzata direttamente in mano agli esperti di processo e quale ruolo per i colleghi in Data Science. - Caso 1: prevenire le fermate del forno di cottura del clinker identificando segnali premonitori - Caso 2: migliorare la qualità del clinker e minimizzare le emissioni di NOx con la creazione di un soft sensor