La spinta dell’Industria 4.0 porta sempre più linee di produzione a essere totalmente sensorizzate: i dispositivi IoT di cui sono dotate generano grandi quantità di dati che vengono molto spesso storicizzati e mai più utilizzati.

Con il Machine Learning è possibile creare valore dalle enormi quantità dei dati accumulati ma che risultano ingestibili dall’essere umano grazie ad algoritmi che ne automatizzano l’analisi.

In questo contesto è inoltre possibile addestrare gli algoritmi a svolgere previsioni sugli obiettivi o gli eventi che si è interessati a conoscere in anticipo, dando vita a veri e propri modelli predittivi.

All’interno dei sistemi di Predictive Analysis, è possibile individuare due casi d’uso principali:

–        Predictive Maintenance, il cui obiettivo è stimare la vita residua dei componenti, per intervenire in manutenzione sugli asset di processo prima che questi possano guastarsi, preservando così la Business Continuity

–        Predictive Quality, il cui obiettivo è stimare la qualità di un semilavorato o prodotto finito, dove un controllo su di esso potrebbe richiedere di lavorare in condizioni critiche (come alte temperature) oppure dove prelevare campioni di test potrebbe essere insostenibile nei costi o nei tempi

Guarda nel video un esempio di applicazione della Predictive Quality per l’industria siderurgica.