KME è oggi uno dei principali produttori europei di semilavorati in rame e leghe. Nel sito storico di Fornaci di Barga, circondato dalle montagne lucchesi, migliaia di tonnellate di ottone e rame vengono fuse, laminate, ricotte e trasformate in coils: nastri larghi poco più di un metro, lunghi chilometri, destinati a connettori elettrici, scambiatori di calore, rivestimenti architettonici e componenti idraulici. Ogni fase di lavoro richiede molta energia. Negli ultimi anni il portafoglio ordini si è ampliato da poche decine a centinaia di articoli speciali, le cui caratteristiche sono definite in modo personalizzato sulle esigenze del singolo cliente. Questo fatto, unitamente all’uso sempre crescente di rottami e scarti da riciclo di metallo, nell’ottica del concetto di economia circolare della quale il settore metallurgico del rame è stato uno dei precursori storici, fa sì che i processi produttivi siano molto complessi da eseguire, monitorare e analizzare nel dettaglio e, quindi, da ottimizzare.
Il progetto KME e i suoi obiettivi
Controllare la qualità solo a fine linea non basta più: un difetto scoperto tardi costringe a produrre d’urgenza un nuovo coil per creare un lotto sostitutivo. L’azienda aveva quindi bisogno di strumenti per analizzare nel dettaglio i processi e le loro relazioni, misurare quanta energia viene utilizzata per produrre ogni coil e di individuare i parametri e i pattern di processo che compromettono resa e qualità.
Per rispondere a queste esigenze è nato «KME 5.0 – Transizione Ecologica e Digitale», progetto cofinanziato dal bando ARTES 4.0 (PNRR). Undici impianti complessi, di età e tecnologie diverse, vengono collegati a una nuova piattaforma dati: dei gateway Industrial IoT Alleantia leggono migliaia di variabili dai diversi PLC e le inviano, ogni pochi secondi, a server virtualizzati. Un database Oracle integra dati gestionali su ordini, ricette, difetti, mentre la piattaforma SAS Viya gestisce la “data ingestion”, modellazione, analisi e presentazione dati. L’obiettivo del progetto è ridurre del 30 % gli scarti in tre anni, tagliare del 5 % il consumo specifico di energia e fornire a ogni bobina il suo passaporto ambientale.
Le complessità realizzative
Gli impianti produttivi di KME utilizzano diverse tecnologie: trattandosi di un settore industriale “capital intensive”, alcuni di essi risalgono a più di 30 anni orsono e sono quindi stati oggetto di revamping e modifiche in tempi diversi, con la stratificazione di logiche di automazione di processo e modifiche di strutture dati nella quali, spesso, non è facile districarsi per identificare i dati attuali e rilevanti rispetto ai requisiti di analisi richieste.
Conseguentemente, una delle difficoltà principali è stata l’interconnessione degli impianti, più che per le tecnologie (la piattaforma IoT di Alleantia permette l’interfacciamento veloce con dispositivi delle più disparate tipologie), quanto per la riconciliazione dei dati gestiti dai PLC di impianto, per mapparli sui processi di produzione, sugli stati di lavorazione e sui parametri principali, sullo stato dell’impianto e per avere la corretta associazione ai prodotti dei consumi energetici, elettrici e di gas naturale. Questo ha richiesto la ricostruzione dei processi produttivi rispetto ai dati IoT e dei gestionali, e la loro documentazione (stati della macchine, condizioni di anomalia ecc.), con sostanzioso supporto dei team operativi di KME e, in alcuni casi, riprogrammazioni parziali dei PLC per ottenere dati consistenti con gli output richiesti. Questo ha anche permesso di ottimizzare l’architettura di “data ingestion”, riducendo il numero tags acquisiti dagli impianti di un ordine di grandezza rispetto al totale tags gestiti (circa 3000 tags utilizzati rispetto agli oltre 40mila complessivi), potendo quindi accelerare la frequenza di acquisizione dati, per avere dei data set molto ‘fini’ a supporto di analisi puntuali sulle anomalie di prodotto e di lavorazione.
La seconda difficoltà è nell’implementazione della “data reconciliation”, dove ogni impianto ha i propri processi di produzione, proprie logiche e programmazione, e dove la gestione operativa comporta diverse casistiche di gestione, e quindi analisi e test plurimi per ottenere i dati corretti e consistenti con le diverse lavorazioni effettuate. Il controllo della qualità dei dati ha poi richiesto “rework” e controlli aggiuntivi, e anche la modifica di processi di lavorazione e indicazioni operative per fornire i dati necessari.
La terza e non meno importante difficoltà è quella di riuscire a creare strumenti di analisi (report, sinottici, tools di front-end) realmente fruibili e utili per l’uso quotidiano da parte di personale non esperto ICT. Questo richiede uno sforzo coordinato fra personale operativo e team di sviluppo, con il supporto della Direzione. L’utilizzo di Data Platform nel mondo industriale richiede infatti di creare strumenti di ‘data science’ usabili non da data scientists, ma da esperti di processi produttivi, ingegneri metallurgici, elettrici e gestionali.
Le realizzazioni ad oggi
L’interconnessione IoT è completata per 8 impianti su 11, e la Data Platform è completa per 6 impianti, con realizzati gli strumenti per le analisi di base su scarti / difetti, consumi energetici, efficienza produttiva e monitoraggi specifici per i singoli impianti.
Sono stati implementati i primi algoritmi di analisi complessiva del processo produttivo. Specificamente, sono stati adottati algoritmi di correlazione multivariata di Shapley e di Kendall per l’identificazione delle dipendenze fra anomalie di spessore nella fase finale di produzione e le lavorazioni effettuate nei diversi impianti, con le potenziali anomalie identificate. Questi algoritmi saranno ulteriormente testati e validati nel seguito del progetto, ed estesi per altri prodotti lavorati negli impianti che saranno connessi nelle prossime settimane.
Parallelamente, sono stati utilizzati gli algoritmi di correlazione per il controllo delle distorsioni armoniche della rete elettrica KME (allaccio a 132 kV rete elettrica nazionale e 20 MW di carico) determinato dai carichi dei diversi impianti (fino a 3,5 Mw per singolo carico), che causano problemi che vanno da una riduzione dell’efficienza energetica a danni anche importanti ai sistemi. La migliore conoscenza di carichi e distorsioni potrà guidare interventi di ottimizzazione, riduzione consumi e riduzione di costi di manutenzione.
Infine, è stata impostata l’analisi per cercare di caratterizzare le diverse tipologie di materia prima utilizzate dalla fonderia ai fini della resa metallo, della produttività oraria e del consumo energetico nel processo di fusione,
I prossimi passi
Il progetto vedrà il completamento delle interconnessioni degli ultimi due impianti entro il mese di giugno, il completamento della Data Platform e la realizzazione degli algoritmi di analisi di processo per l’analisi su un numero più ampio di prodotti (possibilmente la totalità), sia per l’analisi delle correlazioni su scarti e difetti, che l’analisi dei consumi energetici per prodotto, con il consolidamento e l’estensione delle realizzazioni avviate nel secondo semestre. Si inizierà quindi il percorso di ottimizzazione continua per l’ottenimento dei benefici tangibili dell’utilizzo della Data Platform, in particolare puntando all’analisi delle cause delle anomalie di spessore che determinano scarti di prodotto nella fase finale di preparazione, quindi con massimo impatto di costo.
«KME 5.0» dimostra che, anche nel metallurgico pesante, la transizione digitale è possibile e redditizia. Far dialogare automazione, data science e know-how di processo trasforma dati grezzi in un asset strategico, allineando competitività industriale e sostenibilità. In un momento in cui l’Europa spinge verso una manifattura più verde, l’esperienza di Fornaci di Barga offre un modello replicabile e racconta la storia di persone che, con gli strumenti giusti, fanno cooperare macchinari di oltre trent’anni fa e intelligenza artificiale.