Funzionalità

L’innovativa soluzione tecnologica con una “nuova” modalità di approccio alla gestione del rischio, negli stabilimenti produttivi, che consente la migliore percezione e “governance” del rischio stesso

IL CONTESTO ABILITANTE

Industria 4.0 ha garantito una accelerazione nel processo di digitalizzazione e interconnessione dei processi e dei prodotti grazie alle “tecnologie abilitanti” quali IIoT (Industrial Internet of Thing), digital twin, big data, edge computing, cloud e cognitive computing (MyAnalitics and ML), grazie a sempre più elevate potenze di calcolo e connettività e nuove forme di interazione uomo-macchina.

Tali tecnologie hanno favorito l’approccio innovativo di IPlant+IRIS, con standard di qualità e affidabilità inimmaginabili rispetto al passato, consentendo di utilizzare al meglio (cioè in modo organico e in continuo) i dati e tutte le informazioni disponibili nei vari sistemi informativi (di qualsiasi origine), per rilevare, diagnosticare e prognosticare anomalie nei processi di produzione e negli impianti.

COMPONENTE INNOVATIVA

L’innovativo approccio consiste nel controllo del rischio residuo, basato sulla definizione di un indice globale di rischio, monitorato in real-time.

Queste idee ancorché non rivoluzionarie, sono, in parte, già state sviluppate in vari settori; tuttavia, i casi non presentano né la visione industriale, né la capacità di applicazione in contesti scalabili che si vuole dare al modello, ma nemmeno l’inclusione di tutti questi aspetti contemporaneamente in un’unica valutazione del rischio in real-time, di supporto predittivo all’evento negativo, e all’indirizzamento dell’operatore verso la soluzione del problema.

MODELLO DI GESTIONE

IPlant+IRIS parte da un Rapporto di Sicurezza con l’analisi dei potenziali eventi incidentali che concorrono nell’accadimento dell’evento di rischio.

Uno dei principali aspetti dell’approccio è quello di considerare tutti i fattori coinvolti ed aumentare, per quanto sia possibile, i rischi “misurabili” (direttamente o indirettamente) al fine di ottenere un indice di rischio globale “corretto”. Per fare ciò sono state introdotte nel modello altre due tipologie di variabili riconducibili a:

Barriera fisica non monitorata

Esempio di albero MAVT per una barriera non sensorizzata

Caratterizzata dall’assenza di un sistema di monitoraggio che ne indichi il suo stato di salute e/o operativo corrente, ove viene controllata la sua affidabilità attraverso un esame dei fattori (co-variabili) come l’età, la manutenzione prevista effettuata, ecc., che possono incidere sul rateo di guasto o la sua probabilità di risposta on-demand e che indicano la sua affidabilità intrinseca.

La metodologia applicata, MAVT (Multi Attribute Value Theory) è in grado di condensare in un unico fattore, Updating Likelihood Factor (ULF), un opportuno insieme di fattori influenzanti l’affidabilità della barriera stessa in funzione della sua importanza relativa.

Barriera comportamentale

Il modello valuta l’affidabilità umana nel contesto in cui l’operatore lavora

Considera il fattore umano, la Human Reliability (HR) dell’operatore nello svolgimento delle attività necessarie per il controllo del sistema o impianto, associando a task operativi una probabilità di errore umano. La metodologia applicata CREAM (Cognitive Reliability and Error Analysis Method) si basa sul modello cognitivo COCOM (COntextual COntrol Model) che consente di spiegare come il contesto influenzi le azioni in quanto la prestazione umana è un risultato dell’uso controllato della competenza adattata alle esigenze della situazione piuttosto che il risultato di sequenze predeterminate di risposte agli eventi. La valutazione delle variabili comportamentali  viene sostanziata da una verifica in continuo e in real time del “comportamento operativo”, cioè del tempo di reazione  in seguito ad “avvisi/allarmi”.

RETI BAYESIANE

All’interno di IRIS gli scenari di rischio vengono modellati attraverso l’applicazione di reti Bayesiane, consentendo di ottenere le seguenti migliorie:

  • Capacità di superare i limiti intrinseci dei Fault Tree in quanto si possono prendere in considerazione comportamenti multi-stato dei componenti
  • Maggior flessibilità nella definizione delle probabilità
  • Capacità di analizzare congiuntamente tutti i tipi di variabili considerate nel modello
  • Integrazione con tecniche di Machine Learning (Markov chain and Montecarlo method) per un progressivo self-learning dell’intero

Dal rischio all'azione sul campo

Il presidio dell’indicatore di rischio in real-time scatena tutte le iniziative necessarie che devono essere effettuate al fine di ricondurre il rischio, che non rientra in una finestra di accettabilità, nella soglia prevista.

Nel caso in cui risultano problemi “tecnici” di impianto, il modello contribuisce all’identificazione della criticità e alla prioritazzazione di attività di “riparazione e sostituzione” di un componente che sta iniziando a deteriorarsi, oppure di “inspection” più o meno invasive che possono richiedere anche l’ausilio di tecniche non distruttive.

Ogni iniziativa sul campo oltre che essere attivata, deve essere gestita sino alla sua chiusura con particolare attenzione alle verifiche operative e ai feedback verso il modello implementato. In caso di verifiche sul campo che evidenzino uno stato “non critico”, input diagnostici non corretti o risultati insufficienti, questo generalmente comporta una revisione della “regola di Allarme” in piena applicazione del miglioramento continuo