Quando nel 2023 abbiamo avviato il progetto "Fabbrica 4.0", lo scarto medio di produzione nei nostri tre stabilimenti italiani era dell'1,9%. Un numero accettabile per il settore — la media automotive europea si aggira sul 2,1% — ma lontano dal nostro obiettivo interno dello 0,5%.
In questo articolo condivido cosa ha funzionato, cosa no, e quali errori vorrei evitare a chi si appresta a intraprendere un percorso simile.
1. Il punto di partenza
A inizio 2023 avevamo 82 presse a iniezione distribuite su 3 stabilimenti. Di queste, solo 34 erano connesse in rete e trasmettevano dati di processo in modo automatico. Le altre 48 producevano dati che venivano raccolti manualmente su fogli di produzione, con ritardo medio di 4-6 ore e tasso di errore di trascrittura del 3-5%.
Il primo obiettivo non era analitico: era semplicemente rendere visibile in tempo reale cosa stava succedendo in fabbrica.
"La prima regola di qualunque tecnologia utilizzata in un'azienda è che l'automazione applicata a un'operazione efficiente ne amplificherà l'efficienza. La seconda è che l'automazione applicata a un'operazione inefficiente ne amplificherà l'inefficienza."
2. MES: il sistema nervoso centrale
La scelta è caduta su un MES (Manufacturing Execution System) commerciale, in grado di interfacciarsi con i PLC delle presse tramite protocollo OPC UA e Euromap 77. L'implementazione ha richiesto 9 mesi e un budget di 720k€.
Alla fine del 2023 tutte le 82 presse erano connesse. Ogni 2 secondi raccoglievamo 34 parametri di processo: pressione di iniezione, temperatura, tempo ciclo, quota di interruzione, etc. Circa 4,1 miliardi di record all'anno.
3. Il primo errore: troppa data, poca intelligenza
A metà 2024 avevamo un data lake enorme, dashboard ovunque, ma lo scarto era passato dall'1,9% all'1,6%. Un miglioramento, ma non il salto quantico che avevamo immaginato.
Il problema era culturale: avevamo aggiunto visibilità, ma non cambiato i processi. Gli operatori continuavano a reagire agli scarti dopo che erano successi, non a prevenirli.
4. Machine learning: dall'analisi alla predizione
Il vero salto è arrivato quando abbiamo iniziato a costruire modelli predittivi. Per ogni codice prodotto, un modello di gradient boosting analizzava i parametri dell'ultimo ciclo e stimava la probabilità che il pezzo in uscita fosse non conforme.
Sopra una soglia configurabile (tipicamente il 15%), il sistema inviava un alert all'operatore con i parametri critici. Questo ha permesso di intervenire prima che lo scarto si accumulasse.
Dopo 4 mesi di funzionamento, i risultati erano chiari:
- Scarto medio: dall'1,6% allo 0,7% (-56%)
- Fermi non programmati: -28%
- Richiami qualità: -41%
- PPM verso clienti automotive: da 128 a 47
5. Lessons learned
Riassumendo 18 mesi di progetto in 5 punti:
- Infrastruttura prima dei modelli. Se i dati non sono puliti e real-time, qualunque AI è sabbia.
- Non scalare troppo presto. Abbiamo fatto pilota su 6 presse per 6 mesi prima di estendere.
- Coinvolgere gli operatori. Il sistema funziona se chi lo usa lo capisce e lo accetta.
- Misurare i benefici in chiaro. Scarto, fermi, PPM. Se non lo misuri, non esiste.
- Accettare che ci saranno ritorni indietro. Non tutto funziona al primo colpo, e va bene così.
Il percorso non è finito. Stiamo già lavorando alla versione 2.0: manutenzione predittiva, ottimizzazione energetica, gemelli digitali degli stampi. Ne parleremo in un prossimo articolo.
