Lorenzo Valerio (Unità di ricerca Ubiquitous Internet) ricerca nuove soluzioni per migliorare i processi di lavorazione industriale
Che cos’hanno in comune una multinazionale statunitense che si occupa di componenti e sistemi per l’aviazione, la più importante casa automobilistica italiana e un’azienda emiliana che produce macchine per l’industria? La risposta è nel progetto Ok-insaid, che lega queste tre realtà con il filo della ricerca. Lorenzo Valerio, tecnologo dell’Unità di ricerca Ubiquitous Internet dell’IIT-CNR, ci racconta in cosa consiste.
“Abbiamo tre casi di studio, tre aziende che partecipano al progetto (finanziato dal Miur): Avio (General Electric), FCA e Sacmi. L’obiettivo è rendere le fabbriche sempre più smart grazie a nuove tecnologie che stiamo sviluppando e testando per la prima volta”. Nello specifico, Valerio si occupa di sistemi di intelligenza artificiale per il controllo della qualità di ciò che viene prodotto e di algoritmi intelligenti di manutenzione predittiva, che permettono cioè di capire se un macchinario sta per rompersi prima che il danno diventi evidente. Un filone di ricerca che, se applicata su casi di studio come quelli del progetto Ok-insaid, contribuisce all’evoluzione delle tecnologie per la cosiddetta Industria 4.0.
Rapido e sicuro
Valerio precisa: “Si tratta di pura ricerca, singoli casi di studio: non ci sono prodotti preconfezionati”. Quando si ha a che fare con le industrie, ci sono una serie di vincoli da rispettare. Prima di tutto, la privacy: quale imprenditore accetterebbe il rischio che i dati relativi alla propria produzione finissero nelle mani della concorrenza? Poi, secondo ma non certo meno importante, la comunicazione tra i vari macchinari che fanno parte della catena, che deve essere rapida ed efficiente. “Per rispondere a queste esigenze, ci affidiamo alla tecnologia dell’edge computing, lavoriamo cioè su dati distribuiti, che si trovano alla periferia della rete”, spiega Valerio. 
Per capire meglio in cosa consiste l’edge computing basta pensare alla quantità di dati che generiamo con il nostro smartphone. Tutte queste informazioni viaggiano attraverso la rete e finiscono dentro centri di analisi, per esempio Google o Facebook, che elaborano le informazioni in maniera centralizzata. “L’edge computing fa esattamente l’opposto – spiega – permettendo di conservare e analizzare i dati là dove vengono prodotti”. La tecnologia è ancora relativamente poco utilizzata, ma rappresenta un campo di ricerca interessante, soprattutto in alcuni ambiti, tra cui spicca quello industriale.
Torniamo quindi alle fabbriche intelligenti, dove i macchinari dialogano tra loro tramite edge, e dunque in modo più rapido ed efficiente (non ci sono passaggi intermedi) e sicuro (nessuno, fuori dal perimetro dell’edificio, ha accesso alle informazioni).
Un cervello (artificiale) in reparto
Tutto questo, però, ha anche degli aspetti negativi: “Di fatto ci sono meno dati a disposizione. Ciò potrebbe rappresentare un limite nel momento in cui volessi utilizzare i dati raccolti per sviluppare algoritmi di apprendimento automatico e intelligenza artificiale, che hanno bisogno di una grande quantità di dati per funzionare al meglio”.
Con l’apprendimento automatico, un programma è in grado di capire se un macchinario sta per produrre un pezzo difettoso grazie all’esperienza: in precedenza ha visto tanti dati relativi alla produzione di pezzi difettosi, quindi riconosce che siamo nella stessa situazione. Si intuisce facilmente che, perché l’algoritmo sia in qualche modo allenato e la cosa funzioni, servono tanti esempi, che una singola azienda da sola non può essere in grado di fornire.
Per risolvere il problema, Valerio e colleghi studiano tecnologie capaci di far collaborare più industrie, che possono condividere i dati più significativi, senza tuttavia scendere troppo nel dettaglio, “come quando raccontiamo delle nostre vacanze agli amici a cena, riassumendo i momenti più belli, selezionando solo certe esperienze e senza mostrare le foto”.
Il progetto è tuttora in corso: “Il nostro obiettivo è riuscire a predire se durante la lavorazione i pezzi prodotti mantengono lo standard di qualità o si sta andando verso il degrado del pezzo prodotto. Questo per un’azienda è cruciale, perché permette di giocare d’anticipo, apportando correzioni per mantenere la qualità e abbattendo costi e sprechi”.
Riferimenti bibliografici di approfondimento:
Energy efficient distributed analytics at the edge of the network for IoT environments
A communication efficient distributed learning framework for smart environments