Smart Converting 4.0 - Requisiti e specifiche funzionali del sistema di intelligenza artificiale acustica e relativa architettura cloud ibrida

Il presente documento è il primo deliverable dell'obiettivo operativo 1 del progetto Smart Converting 4.0. Si richiama che l'obiettivo operativo si prefigge di sviluppare sistemi di intelligenza artificiale, principalmente per l'elaborazione di segnali acustici, facendo perno su tecnologie cloud ibride e edge computing. In particolare, l'Edge Computing è un paradigma di calcolo che si basa su un'ampia varietà di dispositivi. Le piattaforme edge possono infatti essere composte sia da dispositivi caratterizzati da potenza energetica limitata e/o con capacità di elaborazione ridotta (il c.d. "far edge"), sia da data center distribuiti (il c.d. "near edge", spesso equipaggiati con risorse hardware dedicate). I sistemi Edge (far e near) possono inoltre lavorare sinergicamente con risorse di cloud computing più tradizionali, in base alle necessità (ad esempio, tramite l'off-loading di carico computazionale), andando a realizzare un vero e proprio continuum computazionale che parte dalla Cloud e raggiunge i dispostivi fisici nell'ambiente fabbrica. Nel caso del converting, le linee attuali sono impianti complessi in cui il velo, carta tissue oppure nonwoven ("tessuto-non-tessuto"), inizialmente svolto da una bobina madre, viene trasformato da materia prima a prodotto finito passando attraverso una successione di macchine sino a quando esso viene riavvolto su dei rotoli di diametro inferiore, che vengono poi tagliati nella lunghezza desiderata per dar luogo al prodotto finito. Il processo, per essere cost-effective e generare valore per il cliente deve essere caratterizzato allo stesso tempo da un elevato grado di produttività e da un elevato livello di affidabilità in modo da poter garantire tempi certi di consegna delle commesse ricevute dai clienti. Per questo motivo, Futura negli anni ha mirato a costruire linee costituite da di caratterizzate da elevata automazione, in grado di soddisfare i segmenti del mercato del converting "più esigenti", caratterizzati da elevato valore aggiunto e da un elevato grado di redditività. Ancora oggi tuttavia, lo stato dell'arte del settore della produzione delle linee di converting evidenzia che il grande potenziale di efficientamento legato agli sviluppi ottenuti nel campo dell'intelligenza artificiale non risulta ancora pienamente utilizzato. Infatti sebbene sulle linee siano presenti sensori per il controllo del processo, spesso in tempo reale, la caratterizzazione dello stato del sistema e delle sue componenti non è sempre capillare. Alcune fasi del processo avvengono a velocità sostenute e non sono facilmente osservabili ad esempio con telecamere o con altra sensoristica; per altre fasi, data la presenza di un numero elevato di variabili configurabili non è facile adattare proattivamente la configurazione ottimale dei parametri in modo da ottimizzare allo stesso tempo il grado velocità ed il livello di affidabilità del processo. Esiste infatti un trade-off tra la velocità di elaborazione, in genere espressa in termini di velocità di trascinamento del velo all'interno della macchina (metri/minuto) e l'affidabilità del processo: all'aumentare della velocità cresce la complessità nell'individuare e adattare proattivamente la configurazione dei parametri di funzionamento in modo da evitare il verificarsi di inceppamenti o rotture del velo all'interno della linea. In definitiva, sebbene le linee siano munite di diversi strumenti e sensori per misurare e controllare il processo, le impostazioni di funzionamento sono ancora oggi spesso configurate manualmente dagli addetti sulla base dei dati misurati dai sensori e sulla base della propria personale esperienza. Ne deriva che l'efficienza delle linee oltre a non essere ottimizzata è altresì variabile in funzione dell'esperienza degli operatori e questo aspetto assume particolare criticità considerando che per la grande maggioranza dei clienti di Futura (specie per quelli collocati nel Nord America) è spesso molto difficile poter reperire personale sufficientemente specializzato. Numerose interviste svolte da Futura al personale più esperto addetto al funzionamento delle linee di converting hanno consentito di rilevare che abbastanza di frequente il processo di configurazione dei parametri di funzionamento avviene "ad orecchio", ossia ascoltando ed interpretando sulla base dell'esperienza il rumore prodotto dalla macchina al fine di individuare quali variazioni ai parametri di configurazione introdurre per far "suonare meglio la macchina". In altre parole tali evidenze hanno consentito di rilevare che: a)I segnali acustici (siano essi sonici, infrasonici o ultrasonici) emessi da un componente, da un macchinario o dall'interferenza fra più organi contengono informazioni sulle condizioni in cui il processo di converting sta avvenendo; b)Il problema dell'ottimizzazione dei parametri di funzionamento di macchine complesse con parametri multipli si basa ancora oggi spesso su interventi basati sull'esperienza soggettiva e sull'intuito personale dell'operatore. La prima considerazione suggerisce di aprire la strada, molto innovativa, ma allo stesso tempo molto promettente, dell'utilizzo di sensori acustici per osservare e analizzare lo stato delle linee, con lo scopo di ottimizzare i parametri di processo e di analizzare lo stato del sistema a fini di diagnostica predittiva. I segnali di tipo acustico esibiscono inoltre buone caratteristiche per misure contact-less anche di componenti difficilmente osservabili in maniera alternativa. La seconda considerazione suggerisce la necessità che l'analisi dei segnali registrati su una macchina, siano essi di tipo acustico o di altra natura, debba basarsi su un'analisi sistematica e globale dei dati prodotti (data-driven) che potrebbe trarre grande beneficio dall'impiego dei metodi emergenti nel campo dell'intelligenza artificiale e del deep learning. Generalmente i sistemi di intelligenza artificiale vengono dapprima addestrati off-line e off-premise, eventualmente su sistemi cloud, per poi essere utilizzati operativamente in fase di inferenza su server locali o in cloud. Nel progetto Smart Converting 4.0 si intende invece esplorare l'utilizzo di cloud ibride operanti a più livelli per garantire una maggiore flessibilità degli algoritmi di intelligenza artificiale, portandoli, soprattutto nel caso sia necessario un controllo di tipo real-time, il più vicino possibile all'edge della rete. Ciò comporterà un insieme di vantaggi i termini di configurabilità e adattabilità del Quality of Service (QoS), andando anche a migliorare il rispetto dei vincoli di riservatezza del cliente di Futura che non vuole fare ricorso a cloud pubblici. Lo scopo di questo deliverable è di andare ad indentificare i requisiti di un sistema di elaborazione dei segnali acustici mediante paradigmi di intelligenza artificiale, delineandole completamente gli aspetti in ottica Industrial IoT. In particolare nella sezione 2 vengono descritte le relazioni tra IoT, l'industria e la possibilità di integrare sistemi intelligenti basati sull'elaborazione dei dati acustici e di contesto. Nella sezione 3 di indicano i requisiti fondamentali del sistema, mentre nella sezione 4 si mostra una possibile architettura per il deployment di tali servizi in ambito industriale.