EMB_86

EMBEDDED 86 • NOVEMBRE • 2022 22 della qualità a livello di processo, potrebbero non es- sere applicabili all’analisi a livello di sistema, poiché la deviazione della qualità in una particolare fase non è determinata solo da quella fase ma anche da stadi o sottoinsiemi a monte. I metodi basati su modelli per l’analisi della qualità, ad esempio il modello del flusso di variazione, forniscono un approccio analiti- co per esaminare i problemi di qualità attraverso la modellazione della generazione e della propagazione delle variazioni di qualità. Tuttavia, i metodi basati su modelli richiedono spesso una conoscenza sostan- ziale del dominio che non è sempre prontamente di- sponibile. L’analisi della qualità basata sul machine learning è adatta a situazioni in cui è limitata la cono- scenza del dominio riguardante la fisica dei processi e la dinamica dei sistemi. È stato riscontrato che que- sti approcci di analisi raggiungono uno o più obiettivi applicando i metodi basati sull’IA e il ML. In figura 2 sono riportate le percentuali di utilizzo dell’IA nei processi produttivi manifatturieri. L’intelligenza artificiale per la manutenzione predittiva La prognosi mira a prevedere la progressione tempo- rale del degrado delle prestazioni della macchina, dal suo stato attuale al guasto funzionale finale. In generale, la prognosi basata sull’intelligenza ar- tificiale fa parte del metodo basato sui dati scaturiti dalla creazione di un modello di evoluzione delle pre- stazioni della macchina per prevederne le prestazio- ni future in base al suo stato attuale e passato. Nel caso in cui le prestazioni della macchina siano difficili da misurare direttamente, viene spesso cre- ato un indice di salute artificiale dai dati del sensore per rappresentare le prestazioni della macchina. In questo articolo abbiamo descritto il potenziale utilizzo dell’IA per la gestione ottimizzata dei siste- mi e processi di produzione su più livelli gerarchici. Un’ampia gamma di strumenti di intelligenza arti- ficiale è già stata implementata per affrontare una serie diversificata di problemi in una gerarchia di impianti. Tuttavia, nonostante questo uso diffuso, ci sono varie sfide da affrontare nell’implementazione di questi strumenti. Per esempio, l’apprendimento supervisionato nel controllo del sistema di produzione beneficia dell’e- levata ricchezza di dati etichettati, ma il problema è la scarsa conoscenza. La simulazione dei sistemi di produzione è un percorso verso la conoscenza attra- verso la facilità con cui possono essere generati i dati. Tutto questo è limitato dalla capacità del modello di riflettere la realtà con un’alta fedeltà. Molte tecnolo- gie di intelligenza artificiale vengono utilizzate per coadiuvare la comunicazione di intenti tra uomo e robot, basata su voce, gesti e comandi espliciti. D’al- tro canto, un più alto livello di cognizione delle inte- razioni focalizzate su attività condivise richiede an- cora ulteriori ricerche per sviluppare robot con mo- delli mentali affidabili della loro controparte umana per generare dinamicamente il corrispondente movi- mento adattativo al comportamento umano. Per quanto riguarda il monitoraggio dei processi, la diagnostica e la prognostica, l’implementazione di strumenti di intelligenza artificiale è più ampia a causa del ricco flusso di dati provenienti da processi, sensori e apparecchiature. I metodi ML convenzionali si basano su dati di alta qualità per estrarre funzionalità rilevanti. Pertanto, la diagnosi basata sull’intelligenza artificiale ha tro- vato un uso comune per formulare classificazioni e associare i dati ai corrispondenti tipi di guasto e livel- li di gravità funzionale. Il fatto che rimangano sfide significative da affron- tare e risolvere non limita l’opportunità di adottare l’IA per trasformare la produzione come la conoscia- mo oggi, in una produzione più moderna, efficiente e sostenibile economicamente e nel rispetto dell’am- biente. Fig. 2 – L’IA nei processi produttivi manifatturieri IN TEMPO REALE | AI&ML