I sistemi produttivi “a flusso”, caratterizzati da continuità produttiva 24/7, presentano una complessità evidente per via dell’ingente volume produttivo, la variabilità delle materie prime e la forte dipendenza dall’intervento umano. Tra le varie, diventano rappresentative le industrie del vetro, della carta e della plastica, le cui problematiche vengono amplificate dall’utilizzo di materiale riciclato che, inevitabilmente, aumenta la variabilità della materia prima in ingresso, con riscontri nella solidità del sistema.

Diventa fondamentale, data l’enorme mole di quantità di prodotto in lavorazione “Work in Progress”, intercettare il prima possibile le fonti possibili di disturbo che porterebbero a non-conformità. La quantità di materia scartata, da rilavorare o oggetto di contestazione può presentarsi, infatti, in maniera massiva anche a fronte di minimi problemi, verificatisi in periodi molto brevi. Altrettanto rilevante è la presenza di scanner, telecamere, metal detector, spettrometri presenti per rilevare problemi lungo il processo, quali contaminazioni o difetti estetici e produttivi. Questa sensoristica avanzata raccoglie decine di variabili intermedie creando una mole di dati di difficile interpretazione in un’ottica di prevenzione del difetto. Occorre, infatti, tenere conto dei lead-time variabili dall’ingresso all’uscita del processo e diventa spesso difficile identificare il momento in cui il problema potrebbe manifestarsi. Questi problemi implicano il processamento di segnali continui, molto differenti dai segnali discreti caratteristici della produzione a lotto. Tali segnali non possono essere interpretati direttamente a causa della dimensione, che arriva fino alla scala dei terabytes, e della complessità dovuta alla presenza di spikes e componenti spurie, ma devono prima essere pre-processati, trattati e caratterizzati, spesso attraverso operatori funzionali. 

La tradizionale logica di gestione della produzione, reattiva e basata sulla semplice retroazione deve essere sostituita con una logica proattiva che sfrutta sistemi di intelligenza artificiale, o di statistica avanzata, che permettono di gestire grandi moli di dati in tempo reale per anticipare i problemi.

Questi modelli si rivelano vitali nei casi in cui non sia possibile l’ispezione delle singole unità come nel caso di bobine chilometriche di carta o di plastica. I sistemi di intelligenza artificiale permettono sia di individuare i lotti in cui vi è maggior rischio di difetto, sia di correggere in maniera dinamica i parametri di processo attraverso un apprendimento continuo. Fondamentale in questi sistemi è la manutenzione preventiva, ed in particolare la Condition-Based-Maintenance: una strategia di manutenzione che anticipa guasti e difetti basandosi su condizioni monitorate in tempo reale, come la temperatura o le vibrazioni di un motore elettrico.