I 9 trend 2020 dell’Intelligenza Artificiale da tenere d’occhio nell’industria italiana – parte 2
Abbiamo già letto i primi 4 dei 9 trend 2020 nel mondo dell’intelligenza artificiale. Continuiamo l’elenco con altre 5 declinazioni di questa tecnologia, sperando troviate degli spunti per mettere l’intelligenza artificiale al servizio degli obiettivi di business e delle performance d’impianto.
5. Intercettazione delle inefficienze energetiche in consumo o produzione
Questa applicazione è già nota al mercato italiano, pioniere nell’applicare modelli energetici più o meno precisi per capire velocemente se si sta consumando bene oppure no (complice il costo dell’energia, tra i più alti in Europa).
Utilizzando algoritmi di machine learning più complessi della regressione lineare (che è comunque un ottimo inizio, e impara dai dati nello stesso modo di ogni altro algoritmo di machine learning) è possibile caratterizzare con più precisione il comportamento energetico ottimale di un asset, un edificio, un impianto. L’obiettivo è poter identificare rapidamente deviazioni dal normale comportamento ed agire di conseguenza.
Si stima che applicando modelli energetici di consumo, sia possibile risparmiare dall’1% al 10% sui costi energetici.
Similmente, è possibile mettere sotto controllo tramite intelligenze la producibilità di impianto, che sia il piccolo cogeneratore installato in stabilimento o la grande centrale di produzione di potenza a ciclo combinato, fino ai parchi rinnovabili eolici e fotovoltaici.
Maturità digitale necessaria: definito –
- – I modelli devono ricevere i dati con un aggiornamento a periodicità non superiore alla settimana
- – E’ necessario avere una base dati storicizzata sufficiente all’allenamento dei modelli
- E’ necessaria anche un’architettura hardware e software in grado di supportare il flusso di comunicazione e l’installazione della piattaforma AI.
6. Baseline precise per la quantificazione dei risparmi
La necessità di dimostrare i risparmi conseguiti per l’attivazione di contratti EPC o per la possibilità di ricevere incentivi, ha stimolato il mercato a fornire soluzioni precise utilizzando regressione lineare e normalizzazioni dei consumi.
Con algoritmi più complessi, le baseline possono essere più precise e includere diverse variabili, anche correlate tra di loro, per la valutazione dello stato ex-ante del sistema. Il confronto di conseguenza è sempre meglio rappresentativo del risparmio effettivamente conseguito grazie all’intervento di efficientamento o di manutenzione straordinaria, in quanto i fattori che influenzano la variabilità di consumo sono già inclusi nella valutazione.
Maturità digitale necessaria: gestito –
- – Serve avere una base dati precisa storicizzata e rappresentativa dello stato ex-ante
- – E’ necessario raccogliere i dati che servono all’utilizzo del modello per lo stato ex-post. Questi non devono necessariamente essere connessi direttamente al modello, in quanto la valutazione viene fatta ad intervalli stabiliti e può prevedere l’upload manuale dei dati.
7. Previsione della producibilità degli impianti e forecast del consumo
Il mercato dell’energia richiede ai produttori di energia una previsione della massima producibilità di impianto per il giorno successivo e ai consumatori la curva di probabile domanda di energia per lo stesso periodo. Spesso trovare un modello che rappresenti l’uno e l’altro è difficile, e il risultato poco preciso, pertanto si vanno ad applicare coefficienti conservativi per evitare di incorrere in sanzioni.
Allenando modelli di machine learning in base allo storico di consumo o produzione in funzione delle previsioni di volumi produttivi, condizioni meteo e altre informazioni disponibili, è possibile aumentare la precisione del modello, garantendo più margine a chi vende e meno spese a chi compra.
Maturità digitale necessaria: gestito –
- – Serve avere una base dati precisa storicizzata e rappresentativa delle condizioni di massimo carico per la produzione e normale curva di consumi per l’utilizzatore, unito ai dati previsionali per gli stessi periodi.
- – L’utilizzo della soluzione può avvenire attraverso upload manuale. Tuttavia, una soluzione in grado di fare il forecast attraverso dati forniti automaticamente e generare report pronti per la condivisione, facilita di molto l’attività.
8. Ottimizzazione di processo
Al pari del controllo qualità tramite riconoscimento immagini, è possibile agire attivamente sui processi e sugli impianti sfruttando le potenzialità del machine learning.
Creare un modello in grado di rappresentare il comportamento del sistema rende possibile minimizzare il costo di produzione e massimizzare l’efficienza, chiedendo alla soluzione di andare ad agire sui parametri di controllo del processo (es setpoint, temperature, pressioni, portate, etc) in modo autonomo.
La differenza da un normale controller è che le modalità con cui viene identificato il risultato della funzione obiettivo (il minimo costo o la massima efficienza) si basano sulla valutazione di come si comporterebbe l’asset in determinate condizioni. Il modello diventa una semplificazione del digital twin del processo o dell’asset, rappresentando in modo preciso il suo funzionamento al variare delle condizioni di esercizio.
Maturità digitale necessaria: orientato alla digitalizzazione –
- – Il sistema deve essere integrato, connesso in real time con i dati di processo, e in grado di agire con precisione sui set point e sui parametri di controllo
- – La mole di dati necessaria ad allenare un’intelligenza sufficientemente precisa è alta e deve essere aggiornata periodicamente per rappresentare sempre il corretto funzionamento di impianto.
9. AI on edge
Sembra il titolo di un film di fantascienza, invece non è altro che un sensore intelligente in grado di operare algoritmi di intelligenza artificiale direttamente in campo. Che sia anomaly detection, manutenzione predittiva, controllo delle performance o altro, avere l’intelligenza in campo fa risparmiare traffico dati, spazio sui server centrali e problemi di cybersecurity causati dall’esposizione dei dati verso l’esterno.
L’intelligenza gira direttamente sull’hardware installato in campo e può interagire con gli operatori attraverso interfacce e altri segnali.
Maturità digitale necessaria: integrato e interoperabile –
- – L’intelligenza deve essere allenata in base a dati storici
- – E’ necessario avere un certo controllo sulle performance dell’intelligenza, per evitare degradi di affidabilità del sistema.
La diffusione dell’intelligenza artificiale nel mondo industriale è già una realtà: le intelligenze possono essere integrate nei processi industriali, nella gestione della manutenzione, nel controllo dei sistemi e in molto altro, e non tutte le applicazioni necessitano di un sistema altamente integrato. Ognuna delle applicazioni presentate può essere già implementata, e molte sono già esempi di successo.
Se vuoi partecipare anche tu all’evoluzione dell’industria grazie all’AI, contattaci per parlarne insieme! Possiamo anche valutare la maturità digitale della tua azienda e consigliarti quali progetti sviluppare e come.
