CFS Europe

L’ottimizzazione e la sostenibilità dei processi passano, innanzitutto, attraverso il controllo e la comprensione dei dati di produzione. La decentralizzazione e l’eterogeneità dei dati rende le operazioni ordinarie dispendiose in termini di tempo e comporta un elevato rischio di errore. 

La sfida era digitalizzare l’intero processo e creare un sistema per rilevare e prevedere qualsiasi condizione insolita e le sue cause per ottimizzare le prestazioni. 

Per affrontare queste sfide, è necessario un approccio strutturato che ha consenta di trasformare il semplice monitoraggio dei dati in uno strumento di ottimizzazione attiva del processo produttivo. Grazie a FactorAI, l’azienda può integrare, analizzare e sfruttare i dati per intervenire in tempo reale e migliorare la sostenibilità operativa.

Con oltre 2000 segnali, raccolti in tempo reale dai macchinari dell’impianto e altri dati quali analisi di laboratorio e cronologia di manutenzione provenienti da diverse fonti di dati, la prima fase del progetto si è concentrata sulla creazione di un sistema di raccolta dei dati tramite il modulo di gestione dati di FactorAI.

Il sistema è stato configurato per soddisfare le esigenze del management di CFS e consentire la visione completa della causa e della durata dei tempi di inattività, tra cui:

• sistema di allerta in tempo reale (tramite un bot telegram)
• Visione di sintesi del processo in corso e delle fonti di dati
• interfaccia interattiva per gestire e visualizzare tutti i livelli di dati

Partendo dai dati degli ultimi tre anni, il modulo FactorAI SPC è stato utilizzato per costruire un controllo statistico multivariato di processo, al fine di monitorare gli indicatori di prestazione rilevanti, considerando variabili selezionate relative a ciascuno specifico KPI (consumo di energia e materie prime, controllo di qualità, efficienza di produzione…).

Inoltre, integrando un’analisi delle componenti principali nel modello MSPC, è stato impostato un sistema di rilevamento delle anomalie per determinare le derive delle variabili che influiscono sui KPI.

In fine, sono state integrate una mappa sinottica e un’analisi delle cause principali per aiutare l’utente finale a indagare le ragioni alla base di una deriva di ogni KPI, individuando le variabili che deviano da lorol normale andamento. Suggerendo azioni da intraprendere sull’impianto, la piattaforma funziona come un manuale operativo interattivo.

Attraverso il modulo Predictive AI di FactorAI  è stata sviluppata una piattaforma di monitoraggio e alert dei processi in tempo reale per un controllo predittivo degli impianti.

Per rilevare lo stato dell’impianto è stato addestrato un modello di machine learning xgboost, utilizzando tutti i tag DCS disponibili e i risultati delle analisi di laboratorio. Il modello ha raggiunto elevate prestazioni di previsione (~98%), ma utilizzare tutte le variabili come input in un ambiente di produzione è computazionalmente insostenibile. Pertanto, analizzando il valore aggiunto delle variabili più importanti per la previsione, è stato selezionato un piccolo sottoinsieme di dati (~15) ed è stato addestrato un secondo modello xgboost.

Il secondo modello ha ottenuto una precisione quasi identica al primo ed è stato implementato in produzione. La fase di selezione delle variabile ha consentito una notevole riduzione dei tempi di previsione pur mantenendo le stesse prestazioni in termini di Accuracy.