CH718327A1 - Metodo per l'identificazione dello stato operativo di un macchinario industriale e delle attività che vi si svolgono. - Google Patents

Abstract

Un metodo per l'identificazione dello stato operativo di un macchinario industriale, ove il suddetto metodo comprende almeno le seguenti fasi: impiego di almeno una videocamera e/o almeno un sensore per monitorare attività relative allo stato operativo di un macchinario industriale; identificazione di uno o più stati operativi del suddetto macchinario industriale; ove la suddetta fase di identificazione di uno o più stati operativi del suddetto macchinario industriale viene effettuata analizzando le immagini della suddetta videocamera e/o i dati rilevati dal suddetto sensore mediante impiego di tecniche di Machine Learning.

Description

CAMPO DELL'INVENZIONE

[0001] La presente invenzione si riferisce ad un metodo per l'identificazione dello stato operativo di un macchinario industriale e delle attività che vi si svolgono.

[0002] In particolare, la presente invenzione si riferisce ad un metodo per l'identificazione dello stato operativo di un macchinario industriale, applicabile ad esempio, ma non solo, a macchinari da stampa, accoppiamento, estrusione, taglierine, macchine per produrre sacchetti e materiali per imballaggio flessibile ed altro.

[0003] Con l'espressione stato operativo si intende, nella presente descrizione, l'attività che una macchina sta svolgendo o in cui è impegnata. Per esempio, ma non solo, la produzione di un certo prodotto, un cambiamento (od un riattrezzaggio) tra due diverse produzioni, regolazioni di parti della macchina o dei parametri di produzione, a macchina inattiva, per correggere l'output della macchina

TECNICA ANTERIORE NOTA

[0004] Come noto, i macchinari industriali sono generalmente in funzione a pieno regime solamente per una parte del tempo. Una rimanente parte del tempo detti macchinari si trovano in stati differenti, ad esempio riattrezzaggio o change over, o in fase di regolazione di parti o di parametri di produzione (ad esempio per superare i difetti dei problemi di qualità), o sono fermi per controllo di qualità sui materiali prodotti o sono non in funzione o fermi per pausa pranzo ed altro.

[0005] Queste macro attività a loro volta possono essere scomposte in maggiore dettaglio.

[0006] Il change over (riattrezzaggio, cambio lavoro) è un processo composto da una serie di attività che devono essere svolte su una macchina industriale che produceva un prodotto A per renderlo adatto a produrre un prodotto B diverso dal prodotto A.

[0007] Ad esempio, il riattrezzaggio di una macchina da stampa flessografica rotativa prevede la preparazione dei colori, eventuale pulizia, il cambio di cilindri/maniche stampa, l'incorsaggio del materiale, l'avviamento ed aggiustamento pressione e registro stampa, la verifica risultato stampa e così via sino all'avviamento in produzione.

[0008] Le attività da eseguire durante un riattrezzaggio differiscono per ogni tipologia di macchina e dipendono dalla struttura e dalla tecnologia della macchina. Generalmente la loro complessità e durata dipende anche dai 2 prodotti (o produzioni) tra i quali la macchina subisce il processo di change over. In altre parole, i tempi e gli sforzi necessari per il cambio dipendono da molti fattori, come ad esempio la specifica macchina industriale impiegata, i 2 prodotti per i quali la macchina subisce il processo di change over, l'organizzazione e la quantità di manodopera impiegata per il lavoro

[0009] Le macchine industriali, gli operatori che lavorano sulle macchine e le loro produzioni sono un anello di una catena del valore più ampia con la quale devono mantenersi coordinati e collegati. Questo lascia aperta una serie di problemi tecnici. La raccolta di informazioni affidabili e in tempo reale sul tempo e gli sforzi impiegati in ogni produzione, i cambiamenti, le regolazioni ecc. sono un input chiave per la pianificazione della produzione, gli aggiornamenti in tempo reale e il controllo.

[0010] Tali informazioni sono anche un'informazione chiave per un adeguato prezzo dei prodotti, che tenga conto dei suoi sforzi/costi di produzione.

[0011] Tali informazioni sono anche un valido supporto per focalizzare le iniziative di miglioramento dell'efficienza e, in seguito, una base per la loro valutazione.

[0012] La raccolta di tali informazioni, deve essere contemporaneamente: 1) affidabile, 2) in tempo reale, 3) dettagliata, mostrando non solo lo stato della macro macchina ma anche tutte le attività svolte all'interno di quella fase, 4) raccolta a costi competitivi. In molti settori questa è ancora una sfida non risolta.

[0013] Sono noti sistemi che effettuano la valutazione lo stato di usura o lo stato operativo di un macchinario industriale.

[0014] Tali sistemi noti sono finalizzati alla manutenzione predittiva di macchine industriali e possono includere una struttura di analisi dei dati delle macchine industriali che garantisce flussi di dati di monitoraggio dello stato di usura o salute di tali macchine industriali.

[0015] Tuttavia sistemi di questo tipo non sono sufficienti per affrontare le problematiche ben più complesse sopra illustrate.

[0016] Scopo della presente invenzione è quello di risolvere i summenzionati problemi tecnici mediante un metodo ed un sistema che consenta di monitorare in tempo reale, lo stato operativo di uno o più macchinari industriali e le attività da essi eseguite.

[0017] Ulteriore scopo dell'invenzione è quello di fornire una soluzione pratica ed economica ai summenzionati problemi.

[0018] L'invenzione ha inoltre lo scopo di fornire una base per focalizzare analisi su come migliorare efficienza dei processi produttivi e di fornire una base per valutare l'efficacia delle iniziative di miglioramento produttivo, al fine di massimizzare il tempo in cui un macchinario è in funzione rispetto al tempo totale disponibile.

BREVE DESCRIZIONE DELL'INVENZIONE

[0019] Tali scopi sono raggiunti da un metodo l'identificazione automatica dello stato operativo di un macchinario industriale e delle attività che vi si svolgono, ove il suddetto metodo è implementato mediante un sistema computerizzato supervisore del suddetto macchinario (PLC), almeno una videocamera ed almeno un sensore per monitorare attività relative allo stato operativo del suddetto macchinario industriale ed uno o più computer, eventualmente collegati in rete locale e/o tramite Internet, ove il suddetto metodo comprende almeno le seguenti fasi: una fase di creazione di una prima linea temporale sulla quale rappresentare gli stati operativi o attività svolte in relazione al macchinario; una fase di creazione di una seconda linea temporale derivata dalla suddetta prima linea temporale, ove per ogni stato operativo appartenente alla prima linea temporale sono rappresentate fasi intermedie di ciascun stato operativo o attività intermedie svolte in relazione ad ognuna delle suddette fasi intermedie di ogni stato operativo; una fase di analisi delle condizioni operative del suddetto macchinario mediante uso di uno o più sensori; una fase di analisi delle attività degli operatori addetti al suddetto macchinario svolte nell'ambito della suddetta seconda linea temporale, mediante uso delle suddette videocamere combinato con tecniche di machine learning per interpretare i video raccolti, ove le suddette fasi di analisi sono combinato tra loro per determinare lo stato operativo del macchinario industriale e delle attività che vi si svolgono nell'ambito della suddetta seconda linea temporale, sulla base delle azioni degli operatori addetti e/o sulla base delle condizioni operative rilevate del suddetto macchinario.

[0020] Questa realizzazione presenta i seguenti vantaggi e particolarità.

[0021] Il metodo dell'invenzione è configurato in modo tale da far sì che il computer riconosca tutti i diversi stati operativi (e sotto stati) del macchinario industriale.

[0022] Ciò viene ottenuto mediante analisi di informazioni provenienti da diverse fonti.

[0023] Una prima fonte sono i sensori montati sulla macchina, così come il supervisore della macchina (PLC).

[0024] Questi elementi tipicamente forniscono una combinazione di informazioni quantitative o booleane.

[0025] La loro implementazione è relativamente semplice e diretta, ma la loro applicazione deve essere corroborata da altre fonti di informazione.

[0026] In particolare, queste informazioni permettono di avere un primo livello di comprensione del momento in cui una macchina industriale è stata fermata, per quanto tempo, ma di solito non ci fornisce alcuna informazione sul motivo per cui è stata fermata, e in quale stato operativo si trova mentre è ferma.

[0027] Per esempio, non è immediatamente evidente in genere se la macchina è stata fermata per un cambio, se è stata fermata per regolare qualche parte della macchina o alcuni parametri o se è stata fermata per una riparazione. Queste sono tutte informazioni che di solito non possono essere dedotte unicamente dai sensori sulla macchina. Per valutare questi stati di funzionamento è necessario capire quali attività vengono eseguite sulla macchina e dalla macchina. Generalmente questo richiede di vedere quali parti della macchina vengono cambiate, quali attività vengono eseguite dagli operatori, se c'è personale che lavora in certe aree della macchina, quali utensili stanno usando (se presenti), se certe parti della macchina sono aperte o in certe posizioni e così via.

[0028] Tutte queste informazioni diventano trigger che vengono interpretati insieme alla loro linea temporale per dedurre lo stato operativo in cui si trova una macchina industriale e le attività che vi si svolgono.

[0029] Come detto sopra, l'analisi richiede anche l'analisi delle attività dell'operatore sulla macchina. Questo viene analizzato attraverso l'uso di telecamere e tecniche di machine learning per interpretare i video raccolti.

[0030] Al fine di rendere gestibile l'analisi video da tecniche basate su reti neurali, le attività possono essere suddivise nelle singole azioni (sub-operazioni) di cui sono composte.

[0031] Ad esempio: l'attività di lavaggio delle mani può essere suddivisa nella sua azione di insaponare le mani, mettere le mani sotto l'acqua di un rubinetto e asciugarle.

[0032] Esempi di azioni: camminare, indicare, mettere, tenere le mani sotto il rubinetto, prendere un utensile, girare un utensile, ecc.

[0033] Esempi di attività: lavarsi le mani, parlare al telefono, bere tè, sostituire parti di un macchinario industriale.

[0034] Esempi di eventi: una partita di calcio, un cambio lavoro di un macchinario industriale.

[0035] Inoltre, il metodo dell'invenzione consente un miglior controllo ed una più completa raccolta delle informazioni relative alle attività dei macchinari industriali.

[0036] In particolare, il metodo dell'invenzione consente di evitare che gli operatori debbano inserire manualmente dati relativi o rappresentativi di uno o più stati operativi del macchinario industriale monitorato.

[0037] Il metodo consente anche un maggiore livello di dettaglio rispetto all'inserimento manuale, nonché una maggiore accuratezza rispetto all'inserimento manuale.

[0038] Infine, il metodo dell'invenzione può essere utilizzato come strumento per programmare produzione e per tempi e metodi di lavorazione.

[0039] Secondo una realizzazione dell'invenzione, le tecniche di Machine Learning applicabili per effettuare la suddetta fase di identificazione di uno o più stati operativi del suddetto macchinario industriale possono comprendere statistica computazionale, riconoscimento di pattern, reti neurali artificiali, filtraggio, convolutional neural networks e combinazioni di questi.

[0040] Secondo una ulteriore realizzazione dell'invenzione, la videocamera, al fine di identificare almeno uno stato operativo del macchinario industriale, può registrare almeno un evento scelto tra la posizione degli operatori, il numero di operatori, le azioni degli operatori, lo stato dei componenti del macchinario industriale ed altro.

[0041] Secondo una realizzazione dell'invenzione, mediante l'uso di almeno una videocamera congiunta a tecniche di Machine Learning è possibile analizzare posizione, numero di operatori ed azioni svolte dagli operatori e mediante l'uso di sensori e di informazioni provenienti dal macchinario utilizzabili per identificare condizioni operative del macchinario è possibile combinare tali informazioni, tenendo anche conto della loro sequenza temporale ed utilizzando algoritmi specifici per ogni tipologia di macchinari, al fine di identificare lo stato dei macchinari.

[0042] Ulteriori caratteristiche dell'invenzione sono desumibili dalle rivendicazioni dipendenti.

BREVE DESCRIZIONE DELLE FIGURE

[0043] Ulteriori caratteristiche e vantaggi dell' invenzione risulteranno evidenti dalla lettura della descrizione seguente fornita a titolo esemplificativo e non limitativo, con l'ausilio delle figure illustrate nelle tavole allegate, in cui: la figura 1 illustra uno schema dei principali componenti del sistema atto ad implementare il metodo secondo una realizzazione dell'invenzione; la figura 2 illustra una pluralità di stati operativi di un macchinario industriale rilevati secondo una prima linea temporale in accordo con il metodo dell'invenzione; la figura 3 illustra un esempio di scomposizione di un evento in attività e delle attività in azioni, in accordo con il metodo dell'invenzione; la figura 4 illustra fasi di raccolta e di interpretazione delle informazioni correlate allo stato operativo di un macchinario industriale e delle attività che vi si svolgono in accordo con il metodo dell'invenzione; e la figura 5 illustra più in dettaglio ulteriori informazioni correlate allo stato operativo di un macchinario industriale e delle attività che vi si svolgono.

DESCRIZIONE DETTAGLIATA DELLE FIGURE

[0044] La presente invenzione verrà ora descritta con particolare riferimento alle figure allegate.

[0045] In particolare, la figura 1 illustra uno schema dei principali componenti del sistema, ove per l'applicazione del metodo è previsto l'impiego di almeno una videocamera 10 atta a riprendere eventi che concernono o avvengono in prossimità di un macchinario industriale 20.

[0046] Nello schema di figura 1 è anche previsto un blocco (globalmente indicato con il riferimento numerico 30) che rappresenta un insieme di tecniche di Machine Learning utilizzate dal metodo dell'invenzione al fine di determinare o identificare uno o più stati operativi del suddetto macchinario industriale 20.

[0047] Per gli scopi della presente descrizione si nota che con l'espressione Machine Learning si intende una branca dell'intelligenza artificiale che studia gli algoritmi informatici che migliorano automaticamente attraverso l'esperienza o i set di dati. Tali metodi includono reti neurali artificiali e reti neurali convoluzionali. Queste ultime sono una classe di reti neurali artificiali multistrato la cui architettura non è completamente connessa. Ciò significa che non ogni collegamento neurale è connesso con tutti i collegamenti del livello successivo. Tale architettura permette di costruire strati di convoluzione e sottocampionamento che sono comunemente individuati come strati di estrazione delle caratteristiche e strato finale completamente connesso tipicamente individuato come strato di classificazione.

[0048] Esiste una pluralità di approcci all'apprendimento mediante Machine Learning tra cui: apprendimento supervisionato: input ed output forniti come insiemi per l'addestramento; apprendimento non supervisionato: collegato al riconoscimento autonomo di pattern nei dati; apprendimento per rinforzo: tecnica di apprendimento in cui la macchina impara dalle conseguenze delle sue azioni. In sostanza la macchina impara per tentativi ed errori.

[0049] In termini più discorsivi, il Machine Learning è la scienza che permette ai computer di imparare e agire come fanno gli esseri umani, e migliorare il loro apprendimento nel tempo in modo autonomo, fornendo loro dati e informazioni sotto forma di osservazioni e interazioni con il mondo reale.

[0050] Nello schema di figura 1 dunque il blocco 30 rappresenta un insieme di tecniche di Machine Learning utilizzate secondo il metodo dell'invenzione al fine di determinare o identificare uno o più stati operativi del suddetto macchinario industriale 20 per configurare, utilizzando tali tecniche di intelligenza artificiale, un sistema di report dello stato della produzione.

[0051] Queste tecniche vengono applicate alla sequenza di fasi di produzione eseguite da un macchinario industriale ed indicata con la freccia 50 nella figura 1 al fine di ricavare un report od un insieme di dati rappresentativi delle varie fasi di produzione (blocco 60).

[0052] Il sistema descritto può anche essere integrato con il sistema ERP (Enterprise Resource Planning) aziendale che come noto è una tipologia di software di gestione che integra tutti i processi di business rilevanti di un'azienda (vendite, acquisti, gestione magazzino, contabilità ecc. - si veda blocco 40 di figura 1).

[0053] In generale dunque l'invenzione concerne un metodo per l'identificazione dello stato operativo di un macchinario industriale, ove il suddetto metodo comprende almeno le seguenti fasi: impiego di almeno una videocamera e/o almeno un sensore per monitorare attività relative allo stato operativo di un macchinario industriale; identificazione di uno o più stati operativi del suddetto macchinario industriale; ove la fase di identificazione di uno o più stati operativi del suddetto macchinario industriale viene effettuata analizzando le immagini della suddetta videocamera e/o i dati rilevati dal suddetto sensore mediante impiego di tecniche di Machine Learning.

[0054] Secondo un aspetto dell'invenzione, la videocamera 10, al fine di identificare almeno uno stato operativo del macchinario industriale analizzato, può registrare almeno un evento scelto tra la posizione degli operatori, il numero di operatori, le azioni degli operatori, lo stato dei componenti del suddetto macchinario industriale ed altro.

[0055] A mero titolo di esempio, tra le azioni operatori registrate dalla videocamera si possono annoverare il fatto che l'operatore sta inserendo nuovi cilindri stampa oppure sta avviando o interrompendo il funzionamento della macchina.

[0056] Inoltre, come esempi dello stato della macchina analizzata si può annoverare il fatto che i quadri elettrici sono aperti, oppure che le porte di sicurezza da aprire durante il riattrezzaggio sono aperte o altro.

[0057] Secondo una realizzazione dell'invenzione, le immagini e video ricevute dalle telecamere verrebbero interpretate ed analizzate tramite tecniche di Machine Learning, tra cui ad esempio, Artificial Neural Networks (ANN) e Convolutional Neural Networks (CNN) o altre.

[0058] Questo richiede che le macchine siano preventivamente „istruite“. Questo è essenzialmente un processo in cui alla ANN, CNN o altro strumento di Machine Learning viene fornito un set di input ed output.

[0059] L'addestramento supervisionato avviene presentando alla rete neurale pattern di cui è nota la classe ad esempio tratta dai precedenti esempi, come il fatto che l'operatore sta inserendo nuovi cilindri stampa oppure sta caricando una nuova bobina di materiale, o preparando l'inchiostro o incorsando il materiale nella macchina o altro.

[0060] Il metodo dell'invenzione può anche prevedere una fase di impiego di almeno un sensore per monitorare attività relative allo stato operativo del macchinario industriale.

[0061] Ad esempio, i sensori forniscono informazioni relative al funzionamento del macchinario, come velocità di organi del macchinario, temperature, pressioni o altro.

[0062] Tale sistema può anche essere messo in comunicazione con il sistema HMI (interfaccia operatore) o PLC del macchinario, in modo da ricevere direttamente da questi le informazioni necessarie.

[0063] Più in generale, si nota che l'uso di machine learning e videocamere per comprendere azioni operatori costituisce un aspetto saliente dell'invenzione.

[0064] Questa tecnica si aggiunge ad una analisi già effettuata in diversi contesti mediante uso di sensori e informazioni ricavate dal macchinario elaborate tramite algoritmi. Queste tecniche hanno spesso risultati limitati, ma combinate con il sistema dell'invenzione utilizzato per comprendere il significato delle azioni operatori possono diventare molto efficaci.

[0065] La figura 2 illustra una pluralità di stati operativi di un macchinario industriale rilevati secondo il metodo di una realizzazione dell'invenzione.

[0066] L'esempio di figura 2 è relativo ad un macchinario da stampa flessografico.

[0067] Le tecniche sopradescritte vengono applicate alla sequenza di fasi di produzione eseguite da un macchinario industriale ed indicata con la freccia 50 nella figura 1 al fine di ricavare un report od un insieme di dati rappresentativi delle varie fasi di produzione (blocco 60).

[0068] In particolare, può essere rilevato lo stato primario del macchinario, ovvero: in funzione, in riattrezzaggio, in manutenzione, o in altro stato operativo.

[0069] Può anche essere rilevato lo stato o l'attività di dettaglio svolta dal macchinario, nonché le attività svolte da operatori e loro posizione.

[0070] Il tutto viene raccolto per ottenere informazioni con vari gradi di dettaglio riguardo i macchinari le attività ad essi relativi, possibili iniziative di efficienza, migliorare preventivi e programmazione.

[0071] La figura 3 illustra una pluralità di stati operativi di un macchinario industriale rilevati (livello „eventi“) e come tale linea „eventi“ sia scomposta nelle attività che li compongono. A loro volta le attività sono scomposte nelle azioni base che le costituiscono.

[0072] In particolare, tale seconda linea di temporale si riferisce, nell'esempio di figura 3, al cambio di maniche di stampa nella macchina da stampa flessografica ove tale attività è suddivisibile in una pluralità di azioni tipiche e necessarie e che vengono svolte da uno o più operatori per effettuare suddetto cambio di maniche di stampa.

[0073] Le azioni che possono essere eseguite in sequenza per effettuare il suddetto cambio di maniche di stampa possono essere, ad esempio, l'estrazione della precedente manica di stampa, l'appoggio sul pavimento della stessa la presa della successiva manica di stampa e l'inserimento della stessa all'interno della macchina, cosa che può essere ripetuta per ogni colore della macchina da stampa.

[0074] La figura 4 illustra fasi di raccolta e di interpretazione delle informazioni correlate allo stato operativo di un macchinario industriale e delle attività che vi si svolgono secondo il metodo dell'invenzione.

[0075] In particolare, la fase di raccolta di informazioni può essere effettuata ad esempio attraverso l'ausilio di una o più videocamere le quali funzionano come strumenti di input per la memorizzazione di immagini. Le videocamere sono accoppiate ad un sistema basati su reti neurali convoluzionali (CNN) finalizzate al riconoscimento delle attività che si svolgono nelle vicinanze del macchinario, ad esempio le attività indicate nella seconda linea temporale illustrata nella figura 3.

[0076] In particolare, per tale riconoscimento si può procedere con tecniche di machine learning, come quelle indicate in precedenza, che servono a identificare innanzitutto la posizione della persona rispetto alla macchina e le attività svolte nel periodo campione, ad esempio le attività della seconda linea temporale sopra descritte.

[0077] Parallelamente, i sensori applicati alla macchina forniscono al sistema una pluralità di informazioni sul funzionamento e sugli stati della macchina.

[0078] Inoltre il sistema gestisce una memoria che si basa sulla conoscenza delle timeline rilevanti: ad esempio la timeline con l'elenco dei precedenti stati operativi della macchina, la timeline con le attività già svolta dal personale durante gli effettivi stati operativi e la timeline dei passi precedenti attivati durante l'attuale stato operativo.

[0079] Per quanto riguarda la fase di interpretazione delle informazioni raccolte è possibile procedere secondo due opzioni.

[0080] La prima opzione consiste nell'effettuare l'interpretazione delle immagini mediante algoritmi codificati a mano.

[0081] Ad esempio, un algoritmo precodificato che riconosce uno stato specifico della macchina basato su un insieme di condizioni precodificato.

[0082] Un algoritmo siffatto confronta le informazioni raccolte alla fase precedente con un insieme definito di condizioni: se tale confronto dà un risultato negativo, non viene modificato il riconoscimento dello stato operativo della macchina; viceversa se tale confronto dà un esito positivo viene impostato nella timeline l'inizio dello stato riconosciuto.

[0083] La seconda opzione consiste nell'interpretazione dell'insieme delle informazioni utilizzando tecniche di machine learning ovvero utilizzando una o più reti neurali addestrate con un insieme di condizioni in input (patterns di condizioni) al fine di produrre come output label che indicano i vari stati operativi riconosciuti,

[0084] La figura 5 illustra più in dettaglio fasi di interpretazione delle informazioni correlate allo stato operativo di un macchinario industriale e delle attività che vi si svolgono.

[0085] Ad esempio, partendo da un campione video di lunghezza fissa si procede estraendo singoli fotogrammi da una sequenza di fotogrammi. Utilizzando una prima rete neurali preaddestrata si identifica la posizione delle persone presenti nell'immagine.

[0086] La rete neurale e produce come output un insieme di coordinate dell'immagine per ogni persona presente in essa.

[0087] Una o più reti neurali preaddestrate sono in grado di procedere al riconoscimento delle azioni partendo da un input costituito da una sequenza di foto e dalle posizioni delle persone analizzate e producendo come output una label che identifica una particolare azione eseguita dalla suddetta persona.

[0088] Quando viene riconosciuta una azione, essa viene memorizzata viene quindi costruita una timeline nella quale sono contenute tutte le azioni precedenti riconosciute.

[0089] Questo insieme di condizioni viene fornito ad una rete neurale addestrata a produrre come output l'attività svolta da un operatore sulla base della sequenza di azioni riconosciute: vengono quindi memorizzate le attività riconosciute e vengono quindi costruita una time line con tutte le attività eseguite.

[0090] Ovviamente all'invenzione così come descritta potranno essere apportate modifiche o migliorie dettate da motivazioni contingenti o particolari, senza per questo uscire dall'ambito dell'invenzione.

Claims (10)

1. Metodo per l'identificazione automatica dello stato operativo di un macchinario industriale e delle attività che vi si svolgono, ove il suddetto metodo è implementato mediante un sistema computerizzato supervisore del suddetto macchinario (PLC), almeno una videocamera ed almeno un sensore per monitorare attività relative allo stato operativo del suddetto macchinario industriale ed uno o più computer, eventualmente collegati in rete locale e/o tramite Internet, ove il suddetto metodo comprende almeno le seguenti fasi: – una fase di creazione di una prima linea temporale sulla quale rappresentare gli stati operativi o attività svolte in relazione al macchinario; – una fase di creazione di una seconda linea temporale derivata dalla suddetta prima linea temporale, ove per ogni stato operativo appartenente alla prima linea temporale sono rappresentate fasi intermedie di ciascun stato operativo o attività intermedie svolte in relazione ad ognuna delle suddette fasi intermedie di ogni stato operativo; – una fase di analisi delle condizioni operative del suddetto macchinario mediante uso di uno o più sensori; – una fase di analisi delle attività degli operatori addetti al suddetto macchinario svolte nell'ambito della suddetta seconda linea temporale, mediante uso delle suddette videocamere combinato con tecniche di machine learning per interpretare i video raccolti, ove le suddette fasi di analisi sono combinato tra loro per determinare lo stato operativo del macchinario industriale e delle attività che vi si svolgono nell'ambito della suddetta seconda linea temporale, sulla base delle azioni degli operatori addetti e/o sulla base delle condizioni operative rilevate del suddetto macchinario.

2. Metodo come alla rivendicazione 1, in cui mediante l'uso di almeno una videocamera congiunta a tecniche di Machine Learning è possibile analizzare posizione, numero di operatori ed azioni svolte dagli operatori e mediante l'uso di sensori e di informazioni provenienti dal macchinario utilizzabili per identificare condizioni operative del macchinario, ove combinando le suddette informazioni, tenendo anche conto della loro sequenza temporale ed utilizzando algoritmi specifici per ogni tipologia di macchinari, è possibile identificare lo stato dei macchinari.

3. Metodo come alla rivendicazione 2, in cui gli algoritmi che riconoscono uno stato operativo specifico della macchina sono basati su un insieme di condizioni precodificate ed operano mediante confronto delle informazioni raccolte dalle suddette videocamere e dai sensori sul macchinario industriale con un insieme predefinito di condizioni.

4. Metodo come alla rivendicazione 2, in cui gli algoritmi che riconoscono uno stato operativo del macchinario industriale sono in grado di interpretare l'insieme di informazioni raccolte nei passaggi precedenti (posizione operatori, attività svolte, informazioni dai sensori, sequenze temporali) utilizzando una o più reti neurali addestrate con un insieme di condizioni in input al fine di produrre come output label che indicano i vari stati operativi riconosciuti.

5. Metodo come alla rivendicazione 2, in cui a partire da singoli fotogrammi da una sequenza di fotogrammi, utilizzando reti neurali preaddestrate, si estraggono features che consentono ad un classificatore della suddetta rete neurale pre-addestrata di identificare la posizione delle persone presenti nell'immagine e produrre un insieme di coordinate dell'immagine per ogni persona presente in essa e sulla base della suddetta sequenza di foto e dalle posizioni delle persone analizzate di produrre come output una label che identifica una particolare azione eseguita dalla suddetta persona. La sequenza di azioni svolte e posizioni sono successivamente analizzate mediante ulteriori reti neurali per identificare le attività che compongono

6. Metodo come alle rivendicazioni precedenti, caratterizzato dal fatto che le suddette tecniche di Machine Learning applicabili per effettuare la suddetta fase di identificazione di uno o più stati operativi del suddetto macchinario industriale possono comprendere statistica computazionale, riconoscimento di pattern, reti neurali artificiali, filtraggio, convolutional neural networks e combinazioni di questi.

7. Metodo come alla rivendicazione 1, caratterizzato dal fatto che la suddetta videocamera, al fine di identificare almeno uno stato operativo del suddetto macchinario industriale, può registrare almeno un evento scelto tra la posizione degli operatori, il numero di operatori, le azioni degli operatori, lo stato dei componenti del suddetto macchinario industriale ed altro.

8. Metodo come alla rivendicazione 6, caratterizzato dal fatto che la suddetta fase di identificazione di uno o più stati operativi del suddetto macchinario industriale sulla base delle immagini della suddetta videocamera prevede una fase preliminare di addestramento supervisionato della o delle reti neurali utilizzate.

9. Metodo come alla rivendicazione 1, caratterizzato dal fatto che la fase di impiego di almeno un sensore per monitorare attività relative allo stato operativo del macchinario industriale comprende l'impiego di sensori configurati per registrare informazioni relative al funzionamento del suddetto macchinario industriale scelte tra velocità di organi del macchinario, temperature, pressioni o altro.

10. Metodo come alla rivendicazione 1, caratterizzato dal fatto di prevedere una fase di integrazione con il sistema ERP (Enterprise Resource Planning) aziendale delle informazioni relative agli stati operativi del suddetto macchinario industriale determinati durante la suddetta fase di identificazione.