Sviluppo e deploy di servizi di data analytics con applicazioni in ambiente di Industria 4.0 = Development and deployment of data analytics services with applications in an Industry 4.0 environment

Con il termine Industria 4.0 si intende un nuovo modello di produzione e gestione aziendale per il settore manifatturiero. Tra le tecnologie abilitanti, citate dal Ministero dello Sviluppo Economico, è riportata la gestione di dati su infrastrutture cloud, al fine di condurre analisi per rilevare debolezze e punti di forza all’interno del processo di produzione. È proprio su quest’ultimo punto che si incentra l’elaborato, attraverso lo studio e l’approfondimento di servizi di analisi capaci di consumare grandi quantità di dati. Il principale obiettivo è quello di implementare soluzioni efficaci ai problemi relativi al riconoscimento di anomalie e predizione dei segnali, sfruttando algoritmi di Machine Learning e Deep Learning. La memorizzazione dei dati e l’implementazione dei servizi è stata realizzata utilizzando la tecnologia cloud di Microsoft Azure. L’elaborato si propone di presentare tutti gli step intrapresi, dalle operazioni di pulizia e pre-processamento dei dati memorizzati su Azure sino a tutti i dettagli implementativi inerenti lo sviluppo dei servizi web, richiamabili attraverso REST API. Questo elaborato non ha lo scopo di introdurre nuovi algoritmi di analisi dei dati, bensì ha l’obiettivo di selezionare gli algoritmi e definire il loro campo di utilizzo nell’implementazione di servizi di analisi che rispondano in modo efficace e corretto alle necessità aziendali. Tutto lo studio e le analisi sono stati realizzati all’interno dell’azienda SACMI di Imola, gruppo internazionale leader mondiale nella fornitura di tecnologie avanzate per l’industria della ceramica, dei metalli, del packaging, del food and beverage e per la produzione di contenitori in plastica e di materiali avanzati. Tra i modelli analizzati relativamente al problema del rilevamento delle anomalie vi sono: DBSCAN, One Class Support Vector Machine e strumenti statistici come le Carte di Controllo. Il problema relativo alla predizione dei segnali è stato, invece, caratterizzato da un’analisi più complessa realizzata attraverso il confronto di algoritmi di Machine Learning, come Autoregressive Integrated Moving Average (ARIMA), Simple Exponential Smoothing e Holt’s linear trend, unitamente a modelli di benchmark (Naïve, Moving Average e Drift) e reti neurali come Long Short Term Memory (LSTM). I servizi realizzati in questo elaborato sono tre: due relativi al problema di identificazione delle anomalie e il restante relativo alla predizione dei segnali. Tutti i servizi, una volta implementati, sono stati testati ed inseriti nel contesto produttivo per essere successivamente utilizzati dalle altre unità aziendali. La maggior parte del tempo dedicato a questo progetto è stato caratterizzato dalla pulizia dei dati con l’obiettivo di definire regole e procedure utili a realizzare un dataset utilizzabile anche in analisi future, dallo studio delle diverse funzionalità messe a disposizione dalla piattaforma Microsoft Azure, unito, in seguito, ad una fase di approfondimento legata all’implementazione ed al test di modelli sviluppati come servizi web.