{"id":20153,"date":"2021-03-17T06:22:51","date_gmt":"2021-03-17T05:22:51","guid":{"rendered":"https:\/\/test.cfdfeaservice.it\/index.php\/2021\/03\/17\/siderurgia-4-0-liot-incrementa-la-produttivita\/"},"modified":"2021-03-17T06:22:51","modified_gmt":"2021-03-17T05:22:51","slug":"siderurgia-4-0-liot-incrementa-la-produttivita","status":"publish","type":"post","link":"https:\/\/test.cfdfeaservice.it\/index.php\/2021\/03\/17\/siderurgia-4-0-liot-incrementa-la-produttivita\/","title":{"rendered":"Siderurgia 4.0, l\u2019IoT incrementa la produttivit\u00e0"},"content":{"rendered":"
\n
\"Siderurgia<\/div>\n
\n

Siderurgia 4.0: il settore siderurgico investe in tecnologie e impianti 4.0. Grazie all\u2019IoT cresce l\u2019efficienza: le informazioni fornite dai sensori suggeriscono modifiche per migliorare il processo produttivo e le procedure di manutenzione, riducendo i consumi energetici. Il tutto senza perdere di vista la qualit\u00e0 del lavoro.<\/em><\/p>\n

Le aziende del settore metallurgico investono per migliorare la competitivit\u00e0 sul mercato: nonostante il periodo difficile, le realt\u00e0 pi\u00f9 evolute affrontano il futuro con nuovi impianti 4.0, per immettere innovazione in fabbrica, aumentando la produttivit\u00e0 e la sicurezza del personale. L\u2019economia dei dati generata dalle aziende 4.0 consente inoltre di migliorare la manutenzione delle macchine \u2013 caratteristica cruciale in un comparto caratterizzato da processi continui \u2013 e di gestire meglio il consumo di energia, aspetto tutt\u2019altro che trascurabile per le aziende siderurgiche.<\/p>\n

Le sperimentazioni in atto<\/strong><\/p>\n

Diverse sono le sperimentazioni 4.0 in atto nell\u2019industria metallurgica, come gli studi condotti sul campo dal team RAS (Ricerca Applicata e Sostenibilit\u00e0) del Centro Servizi Multisettoriale e Tecnologico (CSMT)<\/a> di Brescia. In un\u2019ottica di revamping e aggiornamento con sensori e software di macchinari pi\u00f9 o meno datati, resi cos\u00ec compatibili con le logiche di digitalizzazione 4.0, i ricercatori bresciani si sono posti un obiettivo: sviluppare applicativi dedicati all\u2019interconnessione fra macchinari di fabbrica e sistemi informativi aziendali, con la finalit\u00e0 di rendere disponibili le informazioni critiche sui processi produttivi, pure in vista dell\u2019accesso alle agevolazioni fiscali di super-iper ammortamento.\u00a0In questo quadro il Polo tecnologico ha realizzato un algoritmo innovativo per la pesatura della materia prima pi\u00f9 importante per l\u2019industria metallurgica. \u00c8 il rottame, nella fattispecie trasportato da un carroponte, che pu\u00f2 essere misurato quantitativamente con efficacia e precisione. Ne guadagnano in questo modo sia la gestione del parco-rottami sia il prodotto finale della lavorazione. L\u2019accuratezza delle misurazioni ha superato il 98%; mentre si sono ridotti di conseguenza le pause e le inefficienze e si sono ottenuti risparmi significativi nelle fasi di revisione dei manufatti finiti.<\/p>\n

Il potere del machine learning<\/strong><\/p>\n

Naturalmente un\u2019iniziativa evolutiva di questo tenore permette poi di essere estesa ad altre parti del ciclo di attivit\u00e0, garantendone un pi\u00f9 attento ed efficace monitoraggio. Cos\u00ec, il RAS ha messo a punto anche un progetto di sensorizzazione dei carrelli adibiti al rifornimento di olio ai macchinari. Qui, il traguardo \u00e8 dato dalla raccolta e dall\u2019elaborazione dei dati sul consumo di olio di ciascuna stazione del processo produttivo, con tecnologia wireless LoraWAN. Con questa stessa tecnologia si \u00e8 provveduto al retrofit di vecchi forni fusori per l\u2019alluminio, per un ottimale controllo delle temperature. E non da ultimo, sempre presso il CSMT \u00e8 stato progettata l\u2019integrazione di una rete nevralgica di sensori per la raccolta dei dati di processo su macchinari gi\u00e0 esistenti. La prospettiva \u00e8 quella di monitorare e di analizzare attraverso tecniche di intelligenza artificiale e machine learning le grandezze di interesse per un\u2019azienda in un contesto di manutenzione predittiva e diagnostica.<\/p>\n

Nuovi sistemi di gestione<\/strong><\/p>\n

L\u2019industria 4.0 e l\u2019IoT sono riusciti ad imprimere quella spinta innovativa che mancava da tempo nel mercato della siderurgia. Grazie a questi due fattori \u00e8 stato possibile sviluppare nuovi sistemi di gestione che, oltre a migliorare notevolmente il monitoraggio della qualit\u00e0, fossero in grado di creare un connubio tra la manutenzione preventiva e quella predittiva permettendo di ottenere notevoli incrementi produttivi per le aziende che hanno investito in queste tecnologie. Le informazioni relative alla flessibilit\u00e0<\/strong> e al tempo di attivit\u00e0<\/strong> della macchina, alle diverse tipologie di produzione, nonch\u00e9 alla qualit\u00e0 e ai costi del prodotto sono state incrociate con i dati provenienti dai sensori utilizzati lungo tutta la catena produttiva, in modo da rivelare correlazioni inaspettate e suggerire modifiche alle normali routine all\u2019interno del processo produttivo.<\/p>\n

Investimenti pi\u00f9 abbordabili<\/strong><\/p>\n

\"\"<\/p>\n

Queste strategie sono state sperimentate gi\u00e0 in passato ma, solo recentemente, con l\u2019estrema diffusione del controllo e la gestione dei big-data si sono resi affrontabili gli investimenti. <\/strong>Un esempio di ci\u00f2 \u00e8 stato realizzato nel decennio scorso dai ricercatori V.R. Radhakrishnan e A.R. Mohamed applicando i Soft Sensor, ovvero software in cui vengono elaborate insieme svariate misurazioni permettendo il calcolo di altre grandezze, al monitoraggio degli altiforni; il controllo di questi apparati infatti rappresenta da sempre una grande sfida a causa delle problematiche relative al processo. In particolare, i due studiosi si sono concentrati sulla misurazione delle composizioni del metallo fuso;<\/strong> normalmente queste analisi richiederebbero tecniche spettrografiche che possono essere eseguite solo fuori linea ma, grazie all\u2019utilizzo di software basati su reti neurali, gli autori sono riusciti a sviluppare un modello che mettesse in relazione 33 variabili di processo, tra cui la quantit\u00e0 di metallo fuso, le scorie e la loro composizione, con tutti i costituenti importanti per le leghe, raggiungendo un valore d\u2019errore inferiore al 3%.<\/p>\n

Componenti intelligenti<\/strong><\/p>\n

\"\"
Esempio di componente smart: giunto R+W con sensori integrati AIC.<\/figcaption><\/figure>\n

Altre applicazioni pi\u00f9 semplici di queste tecnologie al settore siderurgico sono state rese possibili grazie all\u2019introduzione di componenti che presentano gi\u00e0 di fabbrica sistemi di reperimento e trasmissione dei dati, ovvero i componenti smart. <\/strong>Questi consentono fin dalla prima installazione un flusso di dati costante durante tutto l\u2019uso, facilitando notevolmente la digitalizzazione dell\u2019azienda grazie alla loro semplicit\u00e0 d\u2019installazione in quanto non necessitano una conoscenza approfondita di tutti i suoi sistemi di rilevamento per funzionare. Un esempio applicativo che si sta diffondendo nelle aziende che lavorano con forni per trattamenti termici in continuo \u00e8 l\u2019utilizzo di portelloni automatici<\/strong> che rilevano la presenza di semilavorati in prossimit\u00e0 dei forni, ne analizzano forma e posizione e ne accertano la bont\u00e0 prima di effettuare il trattamento; ci\u00f2 permette di scartare gli eventuali prodotti che non rispettano gli standard desiderati e migliorare la temporizzazione di apertura e chiusura della porta di ingresso del forno, cos\u00ec da disperdere meno calore e risparmiare energia. Gli stessi sistemi di rilevamento di cui sono dotati i componenti smart possono avere un duplice scopo: la gi\u00e0 citata analisi delle condizioni esterne<\/strong> e il calcolo della vita utile rimanente del componente (Remaining Useful Lifetime<\/em>) tramite lo studio delle sollecitazioni come tensioni, vibrazioni e temperature a cui \u00e8 sottoposto. Le variazioni di questi dati forniscono un importante campanello d\u2019allarme per quanto riguarda la manutenzione predittiva delle apparecchiature e il controllo della qualit\u00e0. Per esempio, il rilevamento dell\u2019aumento di temperatura da parte della catena di movimentazione di una linea continua siderurgica potrebbe essere correlato alla formazione di pezzi pi\u00f9 massicci del solito o ad un errore sostanziale nella formatura della lega, con conseguente modifica della diffusivit\u00e0 termica, mentre se la stessa catena di movimentazione presentasse un aumento delle tensioni rispetto a quelle a cui \u00e8 normalmente sottoposta potrebbe essere un segnale di malfunzionamento dei macchinari.<\/p>\n

L\u2019unione fa la forza<\/strong><\/p>\n

La conoscenza di queste informazioni che prese singolarmente possono sembrare irrilevanti, poich\u00e9 magari poco al di fuori dagli standard classici, affidati ad un modello di analisi specializzato possono portare all\u2019identificazione e prevenzione di ingenti danni. <\/strong>Per incentivare l\u2019applicazione di tecnologie di data science ai processi siderurgici gi\u00e0 nel 2018 la comunit\u00e0 Europea ha stanziato ingenti fondi per la ricerca, i quali sono stati intercettati proprio da un\u2019eccellenza italiana, l\u2019universit\u00e0 Sant\u2019Anna di Pisa, che ha sviluppato quattro modelli predittivi differenti:<\/p>\n