FACOLTA’ DI INGEGNERIA

DIPARTIMENTO DI INGEGNERIA INDUSTRIALE E DELL’INFORMAZIONE

CORSO DI LAUREA IN INGEGNERIA INDUSTRIALE IND. MECCANICA

TITOLO
INDUSTRIA 4.0 E SOSTENIBILITA’
Analisi dell’impatto di tecnologie caratteristiche dell’industria 4.0 sulla sostenibilità della
produzione

Relazione discussa in sede di esame finale

dal candidato Danieli Ilenia

Docente tutore: Prof. Francesco Benzi

A.A. 2018/2019
INTRODUZIONE

L'industria è attualmente responsabile per oltre un quarto del consumo di energia a livello europeo
[1], e questo rappresenta contemporaneamente un'opportunità ed una responsabilità per quanto
riguarda il contributo che questo settore può dare alla riduzione dell'impatto ambientale. Negli
ultimi anni sono state fatte sempre maggiori pressioni da governi e consumatori per ridurre gli
impatti negativi della produzione su ambiente, salute e sicurezza, aumentando gli sforzi per la
creazione di un sistema industriale che risultasse più ecologicamente, economicamente e
socialmente sostenibile [2].

Figura 1 : Consumi energetici per settore in Europa

Il concetto di 'produzione sostenibile' può essere definito come l'integrazione di processi e sistemi
capaci di creare prodotti e servizi di alta qualità, utilizzando meno risorse (sia energia che
materiali), che siano più sicuri per gli operai, per i clienti e le comunità adiacenti, e che siano in
grado di mitigare l'impatto ambientale e sociale durante l'intera vita del prodotto [3]. La tecnologia
è parte fondamentale di questa trasformazione del processo produttivo, in quanto fornisce soluzioni
efficienti per risparmio energetico, controllo delle emissioni, monitoraggio in tempo reale ecc.

Per questo ed altri motivi al giorno d'oggi la produzione industriale sta attraversando un periodo di
profondo cambiamento, questo processo è sostenuto da una visione dove il mondo fisico della
produzione industriale si unisce con il mondo digitale della “information technology” - in altre
parole, verso la creazione di una produzione industriale digitalizzata e interconnessa [4, 5].
Questa idea di industria è entrata nel dibattito pubblico con nomi diversi in varie regioni: in
Germania, dove è emersa per la prima volta, è comunemente conosciuta e promossa come
“Industrie 4.0”, mentre negli Stati Uniti ci si riferisce a questa come “Industrial Internet of
Things”, “Advanced Manufacturing” o “Digital Manufacturing”.

L'implementazione dell'industria 4.0 potrebbe contribuire a trovare nuovi modi di affrontare alcune
grandi problematiche mondiali quali il surriscaldamento globale, la mancanza di accesso ad energia
pulita, la stagnazione economica e la riduzione del divario tecnologico [4].
In generale i benefici a livello di sostenibilità sono evidenti nel miglioramento di produttività,
flessibilità ed efficienza nell'uso delle risorse, e nella riduzione di sprechi, consumo energetico e
sovrapproduzione [3]. Permette inoltre una maggior integrazione di energie rinnovabili, ridotte
emissioni di CO2 e notevoli risparmi economici per le ditte produttrici [4].

Visti gli innegabili vantaggi di un sistema industriale tecnologicamente all'avanguardia la

commissione europea ha stanziato 50 miliardi di euro per sostenere iniziative di digitalizzazione [5],
facendo nascere in molti paesi, tra cui l'Italia, piani di incentivi per le aziende interessate ad
investire nella modernizzazione della produzione (Fig. 2).

Figura 2 : Mappa delle iniziative europee per la digitalizzazione dell’industria

INDUSTRIA 4.0

Nonostante il concetto di Industria 4.0 susciti molta attenzione a livello globale non ne esiste ancora
una precisa definizione. Il termine è utilizzato per indicare la nuova rivoluzione industriale che sta
prendendo piede, ma cosa questo implichi esattamente è oggetto di dibattito. L'idea principale
dell'industria 4.0 è la creazione di una “fabbrica intelligente”, o Smart Factory, che permetta una
completa integrazione della produzione su più dimensioni [3, 6, 7]:

• Integrazione verticale: libero flusso di dati tra i vari livelli della produzione, dal piano
macchine fino ai reparti di ricerca e sviluppo, vendite, logistica e management.

• Integrazione orizzontale: interconnessione tra vari impianti di produzione e infine attraverso

l'intera catena di distribuzione per coordinare le operazioni e permettere una risposta
dinamica alle variabili di produzione

• Integrazione end-to-end: digitalizzazione e connessione attraverso tutte le fasi di vita del

prodotto, dall'acquisizione delle materie prime fino allo smaltimento

Questa interconnessione è realizzata tramite l'uso dei cosiddetti Cyber-Physical Systems (CPS),
ovvero sistemi in cui computer integrati monitorano e controllano processi fisici, che con le loro
variazioni influenzano i programmi tramite feedback. I CPS sono a loro volta in grado di
comunicare l'uno con l'altro in tempo reale tramite un network virtuale implementato nell'Internet
delle Cose (Internet of Things o IoT) e creano a tutti gli effetti una versione virtuale dell'impianto
fisico [2, 8], assistendo personale e macchinari nello svolgimento delle loro mansioni.

All'interno del progetto europeo di finanziamenti volti alla digitalizzazione dell'industria il

Ministero dello Sviluppo Economico italiano ha creato il “Piano Nazionale Industria 4.0” [9], in cui
identifica le seguenti tecnologie come imprescindibili:

1. Advanced manufacturing solutions - robot collaborativi e interconnessi rapidamente

programmabili

2. Additive manufacturing - stampanti in 3D connesse a software di sviluppo digitale

3. Augmented reality - realtà aumentata a supporto dei processi produttivi

 4. Simulation - simulazione tra macchine interconnesse per ottimizzare i processi

5. Horizontal/vertical integration - integrazione delle informazioni lungo la catena del valore

dal fornitore al consumatore

6. Industrial Internet - comunicazione multidirezionale tra processi produttivi e prodotti

7. Cloud - gestione di elevate quantità di dati su sistemi aperti

8. Cybersecurity - sicurezza durante le operazioni in rete e su sistemi aperti

9. Big data and analytics - analisi di un'ampia base dati per ottimizzare prodotti e processi
produttivi

In modo più generale poi, per garantire l’accesso a incentivi economici, indica che i macchinari
devono essere dotati di tutte le seguenti caratteristiche [10]:

• controllo per mezzo di CNC (Computer Numerical Control) e/o PLC (Programmable Logic
Controller)

• interconnessione ai sistemi informatici di fabbrica con caricamento da remoto di istruzioni

e/o part program

• integrazione automatizzata con il sistema logistico della fabbrica o con la rete di fornitura
e/o con altre macchine del ciclo produttivo

• interfaccia tra uomo e macchina semplici e intuitive

• rispondenza ai più recenti parametri di sicurezza, salute e igiene del lavoro

Inoltre tutte le macchine sopra citate devono essere dotate di almeno due tra le seguenti
caratteristiche per renderle assimilabili o integrabili a CPS:

• sistemi di telemanutenzione e/o telediagnosi e/o controllo in remoto,

• monitoraggio continuo delle condizioni di lavoro e dei parametri di processo mediante

opportuni set di sensori e adattività alle derive di processo,

• caratteristiche di integrazione tra macchina fisica e/o impianto con la modellizzazione e/o la
simulazione del proprio comportamento nello svolgimento del processo (sistema
cyberfisico)
Di tutte le tecnologie sopra descritte solo alcune sono state identificate dall'UNIDO (United Nations
Industrial Developement Organization) come particolarmente rilevanti al fine di aumentare la
sostenibilità del sistema produttivo [4], e si tratta delle seguenti:

• Internet delle cose

• Big Data analytics
• Prototipazione rapida
• Realtà aumentata
• Blockchain technology

Lo scopo di questa trattazione sarà analizzare più nello specifico l'impatto di queste ultime in
ambito di sostenibilità, portando esempi pratici di studi svolti sul campo.
INTERNET DELLE COSE (IoT)

Coniato per la prima volta da Kevin Ashton nel 1999, l'Internet delle Cose è un concetto che
descrive la nuova iterazione di internet, dove le informazioni e i dati non sono più generati e
processati prevalentemente da umani, bensì da una rete più estesa a cui concorrono anche oggetti
intelligenti interconnessi, sensori integrati e computer miniaturizzati in grado di percepire il proprio
ambiente, processare dati e effettuare comunicazioni machine-to-machine [4]. Un'analisi del World
Economic Forum in collaborazione con IoT Analytics [11, 12] ha mostrato che l'84% delle
applicazioni dell'IOT sta correntemente affrontando, o ha il potenziale di affrontare, i Sustainable
Developement Goals definiti dalle Nazioni Unite, e di queste il 75% si concentra su 5 degli SDG
(Fig. 3):
• #9 Industry, innovation, and infrastructure (25%)

• #11 Smart cities and communities (19%)

• #7 Affordable and clean energy (19%)

• #3 Good health and well-being (7%)

• #12 Responsible production and consumption (5%)

Figura 3: Distribuzione dei progetti IoT in relazione agli SDG affrontati

L'analisi supporta l'idea che molti condividono - ovvero che l'IoT ha benefici in ambito di sviluppo
sostenibile che possono essere massimizzati senza comprometterne la redditività commerciale.
Nel suo nucleo, l'IoT tratta la misurazione e il controllo remoto di “cose” precedentemente non
connesse, raggiungendo persone e oggetti che la tecnologia non poteva ancora raggiungere e
contemporaneamente supportando elementi di sviluppo sostenibile [12].
Più nello specifico l'implementazione di un sistema IoT è in grado di aumentare la consapevolezza
dei modelli di consumo energetico dei macchinari, questo grazie a sistemi interconnessi di
acquisizione dati che permettono la decentralizzazione dell'analisi e del processo di decision-
making [13].
Questa maggiore consapevolezza porta a tenere in considerazione i livelli di consumo in ogni parte
della pianificazione del processo, permettendo l'ottimizzazione a livello sia locale (sul singolo
macchinario) che globale (sull'intero processo) e quindi riducendo la quantità di energia necessaria
[13]. Questo costante monitoraggio velocizza anche la risposta ad eventuali cambiamenti nelle
condizioni di produzione, facilitando la risoluzione di possibili problematiche.

Basandosi sui dati pubblicati da aziende che già fanno uso di sistemi IoT per la gestione energetica
e su una revisione della letteratura scientifica, Shrouf e Miragliotta [14] hanno individuato sei
categorie di benefici attualmente ottenibili riassunte nella Tabella 1:
Tabella 1: Benefici dell’ adozione di sistemi IoT
Emerge che un'attenta analisi dei dati può permettere al produttore non solo di individuare sprechi
di energia [punto 1] e ottimizzare la gestione della produzione sulla base dei modelli di consumo
[punto 2], ma anche di aumentare l'efficienza degli interventi di manutenzione identificando
anomalie operative nei macchinari [punto 4]. Un altro vantaggio è la capacità di misurare le
emissioni di CO2 prodotte dall'impianto, così facendo l'azienda è in grado di agire attivamente per
la loro riduzione e beneficiare dell'impatto positivo che la certificazione di sostenibilità avrà sulla
sua immagine a livello commerciale [punto 5].

Uno studio condotto da ricercatori dell'Università Politecnica delle Marche [15] ha invece osservato
l'effetto che l'integrazione dell'IoT all'interno di una fabbrica può avere sulla sostenibilità sociale
della produzione, sviluppando un metodo strutturato per il progresso tecnologico delle aziende che
prendesse in considerazione il loro capitale umano tramite un'organizzazione più antropocentrica
del lavoro. Hanno poi applicato il metodo sviluppato all'interno di una azienda locale, monitorando
le performance di due operatori al fine di individuare le criticità presenti e attuare le azioni
correttive appropriate, puntando a sviluppare un modello di Smart Factory capace di reagire alla
variazione di richiesta di produzione senza escludere le necessità degli operai dell'azienda.

Il metodo si basa sulla formalizzazione dei passi necessari per il miglioramento del sito produttivo,
dalla definizione del problema fino all'implementazione della strategia risolutiva.

I passi identificati sono i seguenti:

1. Valutazione della fabbrica

1. Struttura dell'impianto

2. Mappatura delle risorse

2. Definizione di obiettivi e limitazioni

3. Configurazione del sistema IoT

1. Definizione degli scopi del framework

2. Identificazione delle variabili ambientali

3. Identificazione dei sensori presenti sul mercato

4. Selezione dei sensori per minimizzare la strumentazione

5. Creazione del framework

 6. Trasmissione dei dati ad un unico dispositivo

7. Impostazione delle regole per il miglioramento dell'ambiente

8. Installazione degli attuatori nel sistema

4. Implementazione e valutazione

1. Pianificazione di una campagna di misurazione

2. Analisi dei dati

5. Identificazione delle azioni correttive necessarie

6. Valutazione dei costi

Questo metodo (come mostrato in Fig. 4) è stato ideato come iterativo, con un continuo
miglioramento delle prestazioni e della struttura IoT per incrementare nel tempo sia la produttività
che la sostenibilità dell’azienda.

Figura 4: Illustrazione ciclica del metodo

CASE STUDY

L'applicazione pratica è stata fatta all'interno di una azienda produttrice di suole per calzature,
monitorando le performance di due operatori addetti all'inscatolamento dei prodotti finiti.

L'ambiente di lavoro si sviluppava attorno ad un nastro trasportatore, e gli operai erano incaricati di
controllare gli ordini, selezionare le suole dal nastro, contarle, impacchettarle e trasportare le scatole
fino alla zona di immagazzinamento.

Per il monitoraggio delle performance è stato sviluppato un sistema IoT comprensivo di

• Connettività di rete

• Hardware per la raccolta dati

• Sensori collegati

Nello specifico la strumentazione utilizzata era costituita di una videocamera che riprendesse
l'intera area, così da evidenziare eventuali anomalie rispetto alle abitudini di lavoro, una smart
station per la valutazione della qualità dell'aria, un router Wi-Fi che permettesse la trasmissione dei
dati in tempo reale e strumenti indossabili per il monitoraggio dei parametri vitali degli operatori.
Sono stati forniti loro un contapassi, degli occhiali in grado di rilevare differenze di potenziale
indicative dell'ingaggio mentale, e una cintura da indossare attorno al petto per la valutazione del
battito cardiaco, della respirazione e della postura (Fig. 5).

Figura 5: Smart devices. a) cintura per il controllo dei parametri vitali e della postura; b) occhiali per la valutazione
dell’ingaggio mentale; c) stazione per il controllo della qualità dell’aria.

Una volta ottenuti i dati questi sono stati classificati e filtrati per evitare errori statistici, e dalla loro
analisi sono emerse diverse criticità, a partire dall'inadeguatezza dello spazio. È risultato che
entrambi i soggetti tenevano una postura inadeguata (Tabelle 2 e 3) durante lo svolgimento di alcuni
compiti a causa della mancanza di spazio di manovra all'interno della postazione di lavoro, con
possibili effetti negativi sulla loro salute.

Tabelle 2 e 3: Misure posturali degli operatori

Un secondo aspetto problematico era la qualità dell'aria, la zona di impacchettamento dei prodotti
infatti non aveva una effettiva separazione dal reparto in cui le suole venivano tinte, e nella
convinzione che la distanza fosse sufficiente a salvaguardare gli operatori dall’inalazione di
particolati non erano state fornite loro maschere protettive. Anche i valori misurati di CO2 sono
risultati eccessivamente alti, con numerosi picchi durante il turno di lavoro.

Questo studio ha evidenziato come l'impostazione di un sistema IoT che permetta la valutazione e
analisi dei dati provenienti dall'impianto possa assicurare un sensibile miglioramento in campo di
sostenibilità sociale della produzione, incrementando sia la produttività del personale operativo che
la sua sicurezza sul luogo di lavoro. L'applicazione di una metodologia strutturata è in grado di
incentivare uno sviluppo sostenibile delle aziende, e le tecnologie IoT sono parte fondamentale del
processo di innovazione sociale. Il monitoraggio di parametri chiave può infatti permettere
all'impresa di adattare compiti, postazioni di lavoro e strumenti agli operatori, aiutando a ridurre
l'insorgenza di patologie collegate all'attività lavorativa e diminuendo i livelli di stress a cui essi
sono sottoposti.
BIG DATA ANALYTICS

Big Data è un termine spesso usato per descrivere un insieme di dati caratterizzati da grande
volume, grande varietà e alta velocità, per la cui elaborazione è necessario l'uso di strumenti
analitici avanzati. I Big Data sono conseguenza della continua e crescente produzione di dati,
causata in particolare dall'ampio uso di piattaforme e applicazioni digitali nella vita di tutti i giorni.
Esempi includono nuovi strumenti analitici (per esempio in settore medico) e il sempre maggior
numero di sensori e oggetti interconnessi (l'Internet delle Cose), che generano costantemente grandi
quantità di dati. Ciononostante si stima che meno dell'1% di tutti i dati generati sia attualmente
analizzato, perciò i Big Data creano sfide e opportunità importanti [4]. In industria la loro analisi
permetterebbe di approfondire lo studio dei dati di processo, identificando modelli e relazioni tra
quei fattori che dimostrano di avere il maggior impatto sulla produttività. In alcuni ambienti di
processo – come in ambito farmaceutico, chimico e minerario – estreme variazioni di produttività
sono molto comuni anche dopo l'applicazione di tecniche di produzione snella. Data la complessità
delle attività di produzione che influiscono sul rendimento in questi ed altri campi, è necessario
usare un approccio più capillare per diagnosticare e correggere le problematiche, e l’elaborazione
dei Big Data con sofisticate tecniche di analisi predittiva può essere un ottimo strumento.

Un gruppo di ricercatori britannici [16] ha sviluppato un sistema innovativo di lavorazione a

macchina, chiamato I²S, basato sull’uso dei Big Data derivanti da CPS e di un algoritmo di
ottimizzazione di tipo Fruit Fly (FFO), in grado di considerare i fenomeni di invecchiamento e
degradazione dei macchinari all’interno della gestione della produzione e quindi di aumentare
l’efficienza energetica a supporto della sostenibilità della produzione.

Sulla base della storia di consumo energetico l’algoritmo FFO genera una tabella iniziale di
lavorazione, e durante l’intero ciclo di produzione i CPS sono usati per monitorare costantemente
l’assorbimento di potenza durante le lavorazioni dei pezzi. I dati raccolti vengono quindi analizzati
con strumenti di Big Data Analytics per predire le condizioni del sistema, ed eventuali modifiche
alla tabella vengono fatte dall’algoritmo FFO quando ritenuto necessario sulla base dei risultati
ottenuti.

La struttura del sistema I²S è costituita da

• Una rete di potenziometri wireless integrata con le macchine CNC per misurarne i consumi
energetici
 • Un’infrastruttura di Big Data sviluppata per la raccolta, la memorizzazione e l’analisi dei
dati della rete di sensori

• Funzioni di programmazione e riprogrammazione

• Un algoritmo su base ANN (Artificial Neural Network) stima tempi e consumi di

lavorazione dei componenti sulla base di precisione richiesta, complessità del pezzo,
materiale, volume da lavorare e dati di consumo provenienti da lavorazioni
precedenti. Questa stima è successivamente usata dall’algoritmo di ottimizzazione
per sviluppare la tabella di lavorazione.

• Quando il modello generato si discosta eccessivamente da quello reale questo viene

aggiornato, attivando un processo di riprogrammazione da parte dell’algoritmo di
ottimizzazione

Figura 6: funzioni del I²S

L’ottimizzazione della tabella di lavorazione deve tener conto delle caratteristiche dinamiche del
ciclo produttivo, che può essere definito in tre stadi:

A. Inizio del ciclo produttivo: l’algoritmo ANN per la generazione dei modelli energetici viene
addestrato con dati provenienti da precedenti lavorazioni, se disponibili, e applicato per
stimare tempi e consumi della nuova lavorazione. Viene inoltre introdotto un fattore
empirico di invecchiamento per gli utensili per riflettere più accuratamente la situazione
reale e adeguare il modello.

B. Durante il ciclo produttivo: lungo tutta la durata della lavorazione i dati raccolti dai
 potenziometri vengono confrontati con i valori predetti dall’algoritmo, quando la differenza
tra questi supera un valore soglia si procede con l’aggiornamento del modello energetico per
la riprogrammazione.

C. Durante il ciclo produttivo: durante l’intero ciclo produttivo un secondo algoritmo ANN
viene addestrato con i dati energetici delle lavorazioni precedenti per identificare condizioni
di taglio anormali tramite il riconoscimento di un eccessivo assorbimento di potenza. Per
facilitare l’operazione, l’enorme quantità di dati è suddivisa in una serie di modelli
energetici in base alla durata della lavorazione e raccolta in un vettore di input, mentre il
vettore di output rappresenta il tipo di componente lavorato. Viene calcolata la deviazione di
potenza assorbita tra il modello corrente e il modello standard corrispondente, e quando
questa è inferiore ad un valore soglia predeterminato le condizioni di
invecchiamento/degradazione degli utensili sono considerate accettabili. In caso contrario
una notifica informerà l’operatore che gli utensili vanno sostituiti o riparati, e verrà attivato
il processo di riprogrammazione della tabella evitando inutili sprechi di energia.

Figura 7: I²S per programmazione, monitoraggio e riprogrammazione

Con questo sistema la sperimentazione per stabilire i modelli di consumo energetico a supporto
dell’ottimizzazione può essere svolta durante l’intero processo di lavorazione, riducendo i tempi e i
costi di programmazione, e le condizioni dinamiche di lavoro possono essere tenute in
considerazione garantendo la riduzione degli sprechi di energia e di fatto una maggiore sostenibilità
della produzione.

L’algoritmo FFO utilizzato è una versione sviluppata e migliorata specificamente per

l’ottimizzazione della pianificazione, e a confronto con altri algoritmi simili è risultato più semplice
ma più robusto nell’applicazione.

CASE STUDY

Il sistema sopra descritto è stato testato sul campo in diverse compagnie europee per un periodo di
sei mesi, come caso esemplificativo è portato quello di una compagnia britannica di componenti ad
alta precisione per applicazioni automotive e aerospaziali.

Una linea di produzione composta da tre macchine CNC e strumentazione accessoria è stata
monitorata, analizzata e programmata usando I²S. Per ogni macchina sensori di elettricità effettuano
3 letture al secondo, trasmesse tramite rete Wi-Fi al server e utilizzate per la generazione dei
modelli da parte degli algoritmi ANN. Gli altri input per gli algoritmi sono la precisione, la quantità
di caratteristiche del pezzo, il materiale e il volume di lavorazione, mentre gli output sono il
consumo energetico previsto e il tempo di lavorazione.

Figura 8: Design dell'infrastruttura Big Data

 Figura 9: CPS per la raccolta e il monitoraggio dei dati energetici

Sulla base dei dati raccolti nel corso di 52 lavorazioni consecutive (Fig. 10) è stato sviluppato il
fattore di invecchiamento degli utensili, usato poi per affinare il modello energetico e adattarlo a
condizioni di lavoro dinamiche (Fig. 11). Il fattore di invecchiamento è calcolato come
!! "!"#"$"%&'
𝑓(𝑘) = !"#"$"%&'
× 100%, dove f(k) indica il fattore per la k-esima lavorazione, 𝐸! l’energia

consumata nella k-esima lavorazione e 𝐸"#"$"%&' quella consumata utilizzando un utensile nuovo.

Figura 10: Variazione dei consumi in 52 lavorazioni successive dello stesso

componente
 Figura 11: Fattore di invecchiamento dell'utensile

Una volta implementato l’algoritmo FFO di ottimizzazione sono stati valutati tre criteri per
giudicare l’impatto sulla produzione (Fig. 12):

• Consumo energetico

• Tempo di lavorazione

• Livello di utilizzo dell’impianto

Figura 12: Risultati dell'ottimizzazione

Tabella 4: Confronto tra i metodi di ottimizzazione

Dalla Tabella 4 si legge che il sistema implementato ha permesso in totale una riduzione del 39,34%
dei consumi, una riduzione del tempo di lavorazione del 30,64% e un aumento del livello di utilizzo
dell’impianto del 91,88%, che su un periodo di sei mesi hanno generato un risparmio energetico di
1926,4kWh (40,3%) e un aumento di produttività del 29,6%. Questa ottimizzazione ha quindi
ridotto notevolmente il consumo energetico dell’azienda, rendendo la produzione più
ecologicamente ed economicamente sostenibile.

PROTOTIPAZIONE RAPIDA

La prototipazione rapida si avvale di un gruppo di tecnologie tra loro complementari, come il

progetto a computer e la stampa 3D, usate per produrre parti e prototipi più rapidamente rispetto ai
metodi tradizionali. Il risparmio di tempo e denaro permesso dalla prototipazione rapida può aiutare
a diminuire l'omologazione della produzione, ed è considerata un buon mezzo per incoraggiare
l'innovazione in quanto design innovativi diventano più semplici, veloci ed economici da testare [4].
La stampa 3D imita i processi biologici creando gli oggetti strato per strato, è intrinsecamente meno
dispendiosa rispetto alla produzione per asportazione ed ha il potenziale di dissociare la creazione di
valore sociale ed economico dall'impatto ambientale delle attività commerciali. Al di là della
creazione di prototipi, tecnologie come la stampa 3D forniscono altri benefici alla produzione
seriale o di massa, e tra questi in ambito di sostenibilità tre si distinguono particolarmente [17]:

• miglior uso delle risorse: si possono realizzare miglioramenti sia in fase di produzione che di
utilizzo, in quanto prodotti e processi produttivi posso essere riprogettati per la stampa 3D

• allungamento della vita utile del prodotto: ottenuta tramite approcci tecnici come
riparazione, rigenerazione e rinnovo, e modelli socio-economici più sostenibili come una
maggiore affinità tra persona e prodotto e una più stretta relazione tra produttore e
consumatore

• riconfigurazione della catena del valore: catene di distribuzione più corte e più semplici,
produzione localizzata, modelli di distribuzione innovativi e nuove collaborazioni
La valutazione della sostenibilità dei metodi di prototipazione è stata oggetto di studio da parte di
molti ricercatori, e tra questi Ullah, Hashimoto, Kubo e Tamaki [18] hanno studiato un indice per
quantificarla sulla base dei materiali e dei processi scelti per la creazione dei modelli.

Figura 13: Elementi di valutazione per la sostenibilità della

prototipazione rapida

Figura 14: Scopo dell'indice di sostenibilità proposto

I valori considerati per il calcolo dell'indice di sostenibilità sono i seguenti (Fig. 14)

*+!
• Quantità di materia prima 𝑉( #+,-'&&,$

!. /0"
• Emissione dovuta alla produzione della materia prima per unità di volume 𝐶( # *+!
$

!23
• Energia consumata per il processo di creazione del modello 𝐸1 #+,-'&&,$ = 𝑎(𝑉( )4

!. /0"
• Fattore di conversione dell’energia consumata in 𝐶𝑂5 equivalente 𝑓6 # !23
$

78%#9"9à -" ;"<,;<%

• Quantità di risorse naturali sfruttate (come acqua o terreno) 𝑅( # 8#"9à -" =,&8+'
$

" !. /0
La produzione totale di 𝐶𝑂5 per modello è calcolata come 𝐶>1 = 𝐶( 𝑉( + 𝐸1 𝑓6 #+,-'&&, $ mentre

l’indice complessivo di sostenibilità è definito come 𝑆>1 = 𝐶>1 ∙ 𝑅( 𝑉( , minore è il valore di 𝑆>1 ,
minore è l’impatto ambientale della produzione del prototipo.

CASE STUDY

Sono stati confrontati gli impatti ambientali della produzione di uno stesso prototipo (Fig. 15) con
stereolitografia (stampa 3D SLA, caso A) e con metodi tradizionali per asportazione (grezzo di
legno, caso B).

Figura 15: Modello usato nello studio

• 𝑹𝑴 e 𝑪𝑴

A. Da database di settore sono stati confrontati i dati relativi alla produzione di 288
polimeri differenti utilizzati come materiale nei processi di stampa 3D (Fig. 17),
*+! %*78%
facendo una media dei valori risultano 𝑅(? ≅ 395 #*+! @,&"+';,$ e

. /0
"
𝐶(? ≅ 5,9 #*+! @,&"+';, $

B. Lo stesso database è stato analizzato per confrontare i dati di 447 tipologie di legno
*+! %*78%
(Fig. 16), facendo una media dei valori risultano 𝑅(A ≅ 680 # *+! &'.#, $ e

. /0
"
𝐶(A ≅ 0,29 #*+! &'.#, $

Figura 16: Eco-attributi del legno Figura 17: Eco-attributi dei polimeri

La stampa 3D risulta avere un impatto maggiore per unità di polimero, ma va tenuto in

considerazione che la quantità di materiale utilizzata per la produzione dei pezzi è molto inferiore
per l’impossibilità di creare modelli cavi tramite lavorazione tradizionale.
• 𝑬𝑷 e 𝑽𝑴

L’andamento reale di 𝐸1 va calcolato su base sperimentale, a questo scopo dei modelli 3D CAD
sono stati usati per generare i comandi di lavorazione su SLA e CNC e tramite un wattmetro sono
stati monitorati i consumi dei due macchinari.

A. Il macchinario solidifica una resina fotosensibile tramite un laser HeCd. È sufficiente

poco materiale perché è possibile creare solamente le pareti esterne del modello, ma
richiede molto tempo e viene consumata una grande quantità di energia per permettere
la solidificazione del polimero.

B. La macchina CNC rimuove materiale dal blocco di legno con una sega circolare.
Richiede un volume maggiore di materia prima, perché non è possibile creare corpi
cavi, e la maggior parte dell’energia viene consumata non per l’asportazione del legno
bensì per la rimozione della segatura. Il prototipo è poi rifinito a mano, ma l’energia
consumata durante questo processo non è stata presa in considerazione.

Figura 18: Confronto del consumo di materie prime

Il rapporto sperimentale tra 𝑉(? e 𝑉(A per il modello 3D CAD illustrato in figura risulta essere pari
a 𝑉(A = 70(𝑉(? )B.DD (Fig. 18).
Per tre differenti dimensioni dello stesso modello per A si ottiene una relazione tra energia e volume
 pari a 𝐸1? = 0.63(𝑉(? )E (Fig. 19), mentre per B risulta 𝐸1A = 0.51(𝑉(A )B (Fig.20) che quindi è
indipendente dal volume di legno lavorato.

Figura 19: Rapporto volume-energia consumata per la Figura 20: Rapporto volume-energia consumata per la
lavorazione SLA lavorazione del legno

Analizzando l’andamento degli indici di sostenibilità delle due tecnologie scelte si vede che esiste
un volume critico per il quale 𝑆>1? = 𝑆>1A (Fig. 21), che ovviamente varia in base a forma e
dimensione del modello da produrre. Per qualsiasi valore inferiore a 𝑉*; la stampa 3D è la
tecnologia a minore impatto ambientale, mentre per valori superiori è più conveniente scegliere la
produzione per asportazione. Il grafico seguente illustra l’andamento di 𝑆>1? e 𝑆>1A per il modello
analizzato in questo studio, e risulta 𝑉*;? ≅ 8 𝑐𝑚F per la stampa 3D e 𝑉*;A ≅ 50 𝑐𝑚F per la
lavorazione su CNC.

Figura 21: Confronto di sostenibilità per le tecnologie di prototipazione rapida analizzate

REALTÀ AUMENTATA

Con “realtà aumentata” si intende l'uso di apparecchi elettronici volti ad arricchire la percezione
sensoriale umana, integrandola con informazioni aggiuntive altrimenti non disponibili. Benché
realtà aumentata e realtà virtuale continuino a essere considerate pertinenza del settore
dell’intrattenimento, il loro impiego sta compiendo passi da gigante nel campo della prototipazione,
della manifattura, della manutenzione e del training in ambito industriale. Strumenti come il 3D
Model Viewer, che permette di esplorare un’immagine digitale a 360 gradi, oppure il metodo Re-
layout, grazie al quale gli interventi di manutenzione su un oggetto sono guidati evidenziando le
immagini delle sue componenti, rappresentano risorse in grado di velocizzare notevolmente i
processi industriali fin dalla progettazione. Permettono inoltre di abbassare la soglia umana di
errore, abbattere i costi di manutenzione e la quantità di tempo e risorse necessarie alla produzione
[19]. La facile reperibilità delle informazioni aiuta il personale addetto a produzione e logistica a
migliorare le proprie prestazioni, evitando così rischi, possibili problematiche e minimizzando i
periodi di inattività dell'impianto. Nel campo della manutenzione invece l'AR permette anche di
connettere lo staff sul sito del consumatore con esperti della ditta di produzione, così che insieme
effettuino l'ispezione e sviluppino possibili soluzioni manutentive. Lo stesso approccio si può
applicare nei confronti della formazione del personale nel caso di aziende con impianti localizzati in
diverse regioni [4].

Un gruppo di ricerca costituito da Herrman, Zein, Wits e Van Houten [20] ha approfondito
l'applicazione della realtà aumentata per il monitoraggio in tempo reale dell'impatto ambientale dei
processi produttivi, dettagliando uno schema per il suo calcolo e la sua visualizzazione che sostenga
lo sviluppo di strategie di potenziamento della sostenibilità.
Il punto di partenza è la valutazione dei dati di lavorazione per determinarne i flussi di energia e
materiali, così da poter calcolare con precisione i livelli di impatto. I principali input di processo
sono energia elettrica, aria compressa, refrigeranti e materie prime, mentre gli output sono il pezzo
lavorato, il materiale asportato (ricoperto di refrigerante), le perdite di refrigerante e il calore
disperso (Fig. 22).
 Figura 22: Schema del processo di lavorazione

Per calcolare l'impatto ambientale complessivo le quantità dei materiali usati vengono pesate con i
relativi indici e sommate, e tradizionalmente i risultati ottenuti vengono illustrati in diagrammi
Sankey o tabelle (Fig. 23). Questi metodi di rappresentazione forniscono una visione complessiva
molto utile dell'impianto, ma risultano intrinsecamente inadeguati a rifletterne la natura dinamica.

Figura 23: Diagramma Sankey dei flussi di energia

Al contrario una visualizzazione in tempo reale (Fig. 24) darebbe notevoli vantaggi

• Visualizzazione dei dati direttamente alla loro origine

• Possibilità di passare da una visione d'insieme a valori locali

• Facile confronto tra singoli macchinari

• Maggior livello di consapevolezza dovuto alla visualizzazione diretta degli impatti

ambientali
Questa facilità di accesso ai dati è ottimale per promuovere una riconfigurazione del processo che
risulti più ecologicamente sostenibile, e al fine della sua implementazione lo schema sviluppato
comprende tre elementi fondamentali

• Raccolta dati tramite sensori

• Elaborazione dei dati ricevuti

• Visualizzazione degli impatti in realtà aumentata

Figura 24: Struttura per la visualizzazione degli

impatti ambientali tramite realtà virtuale

Per la raccolta dei dati è necessario definire una strategia di misurazione, identificando i flussi da
monitorare e i possibili sensori sul mercato che rispettino le specifiche di costo e le prestazioni
richieste. Una volta scelto il sistema di sensoristica l'elaborazione e memorizzazione dei dati è
affidata ad un database, da cui l'utente può estrarre valori specifici o andamenti lungo un dato
periodo di tempo. Questa funzionalità facilita l'esecuzione di analisi statistiche, utili a determinare
meglio le caratteristiche del materiale e il consumo energetico sotto varie condizioni di
funzionamento.

Per il calcolo dell'impatto ambientale dei singoli elementi vengono utilizzati specifici software e
database di valutazione, e una volta ottenuti i valori questi vengono visualizzati in realtà aumentata
tramite un elemento ottico trasparente oppure in immersione totale con grandi display interattivi.
CASE STUDY

Lo schema sviluppato è stato implementato e valutato dagli autori sopracitati su una macchina
rettificatrice Studer durante lavorazione cilindrica con uso di olio minerale refrigerante.

Sull'utensile del macchinario sono stati montati un potenziometro trifase e sensori per il
monitoraggio di aria compressa, flusso di refrigerante, pressione e temperatura, mentre le quantità
di energia e materiali usati sono state misurate e processate nel database. Per la quantificazione
dell'impatto di energia elettrica, aria compressa e materiale lavorato sono stati presi come
riferimento i dati ambientali forniti da Ecoinvent, mentre per il fluido refrigerante si sono avvalsi di
un modello di processo specifico, integrato nel database di valutazione.

I risultati ottenuti sono stati raffigurati sia utilizzando la realtà aumentata che un allestimento ad
immersione totale.

Realtà aumentata

La fotocamera di uno smartphone è usata per

inquadrare il macchinario d'interesse, il software
riconosce la macchina e automaticamente sovrappone
i dati ambientali immagazzinati nel database (Fig. 25).
Un'opzione aggiuntiva è la rappresentazione dinamica
del flusso di dati in tempo reale, che consente un
approfondimento della conoscenza delle dinamiche di
funzionamento.

Figura 25: Uso della realtà aumentata per

la visualizzazione
Immersione totale

È raffigurato l'intero piano della fabbrica,

e tramite un display touchscreen si può
accedere ai dati del macchinario
selezionato (Fig. 26). Sono rappresentati
sia i dati misurati che flussi in entrata e in
uscita di materiale ed energia, con la
possibilità di passare da unità di misura
specifiche (come Wh, Nm³ e kg) a misure
equivalenti di kg-CO2 e di mostrare
l'impatto ecologico totale. Questo tipo di
allestimento può essere usato per Figura 26: Presentazione ad immersione totale degli impatti
ambientali
illustrare le condizioni di funzionamento
all'intero personale coinvolto nella valutazione, localizzando con più facilità gli elementi a maggior
impatto e che quindi necessitano di miglioramenti.

Nel caso in analisi è emerso che l'uso di aria compressa aveva il massimo potenziale di
abbattimento del valore di kg-CO2 equivalenti, e doveva quindi essere oggetto di studio per
verificare possibili migliorie per la riduzione dell’impatto ambientale.

BLOCKCHAIN TECHNOLOGY

La tecnologia blockchain può essere considerata come un registro digitale di dati, le cui
informazioni vengono raggruppate in blocchi ordinati cronologicamente e non più modificabili.
Decentralizza le informazioni documentandole su una rete di computer, così che non esista una
unica entità centrale che governi il sistema, ma molte persone siano in grado di usarlo. Ogni nodo
della rete della blockchain è in grado di leggere e aggiungere blocchi, che devono però essere
convalidati dall'intera rete tramite un protocollo condiviso prima di essere salvati in coda alla catena
in maniera permanente. Una volta salvate e crittografate, le informazioni sono a disposizione di tutti
i nodi e possono essere ritenute attendibili in quanto non modificabili o corruttibili [8, 22, 23].
 Figura 27: Schema di un sistema blockchain [21]

Figura 28: Funzionamento di una blockchain [22]

Le possibili applicazioni della tecnologia blockchain sono vaste, nell'industria 4.0 è possibile
sfruttare la logica decentralizzata della blockchain per produrre tecnologie in grado di supportare al
meglio produzione, logistica e catena di distribuzione. Il fatto che la tecnologia blockchain fornisca
un registro dati trasparente e quasi impossibile da corrompere può essere sfruttato in tutti quei
campi in cui viene impostato un sistema basato sulla fiducia tra produttore e consumatore, o
produttore e autorità. Due esempi in cui la blockchain potrebbe garantire l'effettiva sostenibilità
della produzione sono i sistemi di 'Emission Trading' e il controllo della catena di produzione e
distribuzione [23, 24], che dettano e incentivano la riduzione di emissioni di gas serra e l'aderenza
ad un sistema produttivo socialmente etico.

Un sistema di Emission Trading (ETS) [23] mette un limite alle emissioni che un settore può
legalmente produrre: tramite la compravendita di “permessi di emissione” le singole aziende
guadagnano il diritto a produrre una quantità predeterminata di GHG (Green House Gases), e alla
fine del periodo di validità dei permessi sono tenute a consegnare un report relativo alle emissioni
effettive generate. Questi permessi sono negoziabili tra i partecipanti, così che soggetti con
permessi in surplus possano venderli a chi invece ha ecceduto il limite concesso di GHG. In caso
una azienda non riesca a comprare abbastanza permessi per le effettive emissioni questa è tenuta a
pagare una sanzione, utilizzata per finanziare iniziative di abbattimento delle emissioni fatte da
organismi certificati e raggiungere così la “Carbon Neutrality”.
Il vantaggio di un sistema di Emission Trading è che, nonostante l’obiettivo di riduzione di GHG sia
fissato, permette alle singole aziende abbastanza flessibilità tramite la compravendita secondaria dei
permessi. Il parlamento europeo ha deciso nel 2019 di attuare politiche più restrittive per
l’emissione di anidride carbonica, ritirando parte dei permessi in eccesso messi in circolo durante il
periodo di recessione e facendone aumentare il costo del 250% rispetto all’anno precedente.
Oltretutto la campagna dell’attuale presidente della commissione europea punta ad estendere il
sistema di Emission Trading ad altri settori produttivi come aviazione, marina, trasporti ed edilizia,
alzando l’obiettivo di riduzione di emissioni dal 40 al 50% entro il 2030 e promuovendo la Carbon
Neutrality per il 2050 [25].

Dalla collaborazione tra ricercatori delle università di Nanyang e di Cambridge [23] è nato un
modello di ETS che incorpora un sistema di compravendita basato sulla reputazione dell'azienda,
dove la tecnologia Blockchain è l'elemento chiave usato per il processo di monitoraggio,
segnalazione e verifica (Fig. 29).

Il sistema di reputazione interno allo schema fornisce un duplice incentivo per i soggetti:

• Incentivo finanziario diretto

• Miglioramento dell'immagine pubblica

Gli incentivi economici motivano le aziende all'interno dello schema, mentre gli effetti positivi
sull'immagine funzionano al di fuori dello schema per attrarre clienti e investitori. La trasparenza
della tecnologia Blockchain infine dissuade i soggetti dal contraffare o travisare il loro impegno
nella riduzione delle emissioni, fornendo un resoconto completo delle attività delle aziende ma
garantendo un certo livello di privacy.

La reputazione è integrata nel sistema in funzione dei livelli di emissione passati e della strategia
dei partecipanti per la loro riduzione, e una volta determinato l'indice di reputazione questo
influenza il valore percepito dei crediti offerti o richiesti durante la compravendita. Siccome la
tecnologia Blockchain assicura la permanenza dei dati ma non la loro veridicità, per garantire che
questi non vengano contraffatti vanno utilizzati esclusivamente degli strumenti di misurazione che
non possano essere manomessi. Una volta determinato, lo storico degli indici di reputazione e dei
permessi acquistati e venduti rimane nei record della Blockchain, permettendo di integrarlo negli
algoritmi che regolano le compravendite.

Figura 29: Schema del modello di ETS proposto

Nel modello di ETS proposto ci sono quattro ruoli principali che rappresentano i soggetti coinvolti:

• L'autorità che regola lo schema e distribuisce i permessi

• Le aziende produttrici che comprano e vendono i permessi

 • I progetti di sviluppo sostenibile che possono generare crediti per la Carbon Neutrality

• Il revisore che valuta storici e strategie delle aziende e ne determina la reputazione

La struttura decentralizzata del sistema Blockchain non permette la presenza di un'organizzazione

centrale che gestisca la compravendita, perciò i singoli partecipanti sono tenuti a scegliere
autonomamente le offerte soddisfacenti tra tutte quelle pubblicate. Il sistema di reputazione è usato
per dividere il mercato in categorie, determinando a quali offerte i partecipanti possono accedere e
in che quantità. Migliore è la reputazione di un soggetto, maggiore è l'accesso alle offerte più
convenienti.

CASE STUDY

Il case study proposto dagli ideatori dell’ETS sopra descritto ha avuto luogo su una piattaforma
Blockchain aperta, Multichain.
Su questa piattaforma le azioni dei nodi connessi alla rete sono limitate fino a quando questi non
ricevono un permesso dall'amministratore, funzionalità utilizzata per circoscrivere le attività dei
quattro ruoli presenti nello schema.
La funzione di stream è utilizzata come piattaforma per la pubblicazione delle offerte di mercato, e i
partecipanti possono selezionarle per la compravendita sulla base di dimensione, prezzo e identità di
chi pubblica.
La frammentazione del mercato da accesso al compratore al 100%, 50% o 25% delle offerte più
costose in base alla reputazione, al venditore invece al 100%, 75% o 50% delle offerte più
economiche (Fig. 30). Le offerte di vendita sono ordinate in base al “valore di priorità”, calcolato
come funzione di prezzo e reputazione, mentre quelle di acquisto solo in base al prezzo.

Figura 30: Impostazione del sistema di punti-reputazione

Nelle tabelle 5 e 6 sono riassunte le offerte di vendita e acquisto disponibili nello studio

Tabella 5: Offerte di vendita Tabella 6: Offerte di acquisto

Sono stati coinvolti tre partecipanti con reputazioni differenti, A, B e C, che in regime produttivo
normale producevano più GHG del consentito.
Ogni soggetto ha impiegato una strategia diversa per ridurre le proprie emissioni:

A. Uso di combustibili a minore impatto

B. Uso di combustibili a minore impatto e sostituzione dei vecchi macchinari con altri più

efficienti

C. Uso di combustibili a minore impatto, riconfigurazione della produzione e sostituzione di

alcuni macchinari per migliorare l'efficienza energetica

Come risultato della sua strategia C ha ridotto le emissioni fino ad avere più permessi di quanti
gliene servano, mentre A e B sono risultate in negativo di 87 e 48 CC (Carbon Credits).
La revisione delle emissioni e delle strategie delle aziende ha poi assegnato rispettivamente 2, 3 e 4
punti reputazione ad A, B e C.
Nel caso volessero implementare tecnologie che riducano le loro emissioni, sia la compagnia A che
la compagnia B hanno calcolato approssimativamente un costo di 1.36 USD a credito, perciò
includendo il rischio collegato al cambiamento del metodo di produzione hanno posto un limite di
prezzo di 1.37 USD per l'acquisto. Avendo punteggi diversi di reputazione le offerte disponibili
sono differenti per le due compagnie:

• A può accedere solo al 25% più costoso delle offerte, ovvero solo a quattro offerte con
prezzi compresi tra 1.37 e 1.40 USD/CC
 • B può accedere al 50% delle offerte più costose, ovvero nove offerte con prezzi compresi tra
1.33 e 1.40 USD/CC

Le tabelle 7 e 8 illustrano le possibili soluzioni per le due compagnie; mentre B ha potuto soddisfare
immediatamente le sue richieste, alla compagnia A sono rimaste due opzioni: modificare il suo
budget o pubblicare un'offerta e aspettare che un venditore la accetti, rischiando di allungare le
tempistiche e non rispettare il termine per la restituzione dei permessi.

Tabella 7: Possibili scelte per A

Tabella 8: Possibili scelte per B

La compagnia B ha accettato le offerte N e K, completando la transazione nel network blockchain.

La compagnia A ha comprato 20 CC dal venditore L, per 30CC ha pubblicato un'offerta
complessiva di 41.1 USD e ha deciso di posticipare l'acquisto dei rimanenti 37.
Quando le compagnie B e C hanno scelto di vendere i CC in surplus in loro possesso, avendo
un'alta reputazione C ha potuto accedere a tutte e 15 le offerte di acquisto disponibili (14 iniziali più
l'offerta di A) e ha quindi ottenuto 1.39 USD da S, mentre B ne ha visualizzate solo il 75% e non è
riuscita a vendere.
Nella lista di offerte che B ha ricevuto A non è presente, questo significa che A impiegherà più
tempo a trovare un venditore e sarà più difficile acquistare CC, spingendo l'azienda verso la
riduzione delle sue emissioni.
In confronto agli ETS convenzionali in questo sistema c'è una maggiore difficoltà nell'acquisizione
di CC, che quindi incoraggia i soggetti ad implementare tecnologie innovative e abbattere il loro
impatto ambientale rendendo la produzione ecologicamente più sostenibile (Tabella 9).

Tabella 9: confronto tra ETS tradizionale e ETS blockchain basato sulla reputazione
BIBLIOGRAFIA

[1] Final energy consumption by sector. Retrieved from

https://ec.europa.eu/Eurostat/databrowser/view/ten00124/default/table?lang=en

[2] Bonilla, S., Silva, H., Silva, M. T. D., Gonçalves, R. F., & Sacomano, J. (2018). Industry 4.0 and

Sustainability Implications: A Scenario-Based Analysis of the Impacts and Challenges.

Sustainability, 10(10), 3740. doi: 10.3390/su10103740

[3] Machado, C. G., Winroth, M. P., & Elias Hans Dener Ribeiro Da Silva. (2019). Sustainable

manufacturing in Industry 4.0: an emerging research agenda. International Journal of Production

Research, 1–23. doi: 10.1080/00207543.2019.1652777

[4] Nagasawa, T., Pillay, C., Beier, G., Fritzsche, K., Pougel, F., Takama, T., … Bobaschev, I.

(2017). Accelerating clean energy through Industry 4.0: manufacturing the next revolution. Vienna,
Austria: UNIDO.

[5] Beier, G., Niehoff, S., Ziems, T., & Xue, B. (2017). Sustainability aspects of a digitalized
industry –A comparative study from China and Germany. International Journal of Precision
Engineering and Manufacturing-Green Technology, 4(2), 227–234.

doi: 10.1007/s40684-017-0028-8

[6] Ana Beatriz Lopes De Sousa Jabbour, Jabbour, C. J. C., Foropon, C., & Filho, M. G. (2018).
When titans meet – Can industry 4.0 revolutionise the environmentally-sustainable manufacturing
wave? The role of critical success factors. Technological Forecasting and Social Change, 132, 18–
25. doi: 10.1016/j.techfore.2018.01.017

[7] Rüßmann M, Lorenz, M., Gerbert, P., Waldner, M., Justus, J., Engel, P., & Harnisch, M. (2015).

Industry 4.0 The Future of Productivity and Growth in Manufacturing Industries. BCG.

[8] Fu, B., Shu, Z., & Liu, X. (2018). Blockchain Enhanced Emission Trading Framework in
Fashion Apparel Manufacturing Industry. Sustainability, 10(4), 1105. doi: 10.3390/su10041105

[9] Ministero dello Sviluppo Economico. (2017). Piano Nazionale Industria 4.0.

[10] Pavani, L. (n.d.). Industria 4.0 attestazione di conformità.

[11] Arias, R., Lueth, K. L., Rastogi, A., Media & Digital Industry, World Economic Forum, IoT
Analytics, & Business Development & Partnerships. (n.d.). The effect of the Internet of Things on
sustainability. Retrieved from https://www.weforum.org/agenda/2018/01/effect-technology-
sustainability-sdgs-internet-things-iot/

[12] The Effect of the Internet of Things on Sustainability. (2018, January 23). Retrieved from
https://iot-analytics.com/effect-iot-sustainability/

[13] Miragliotta, G., & Shrouf, F. (2013). Using Internet of Things to Improve Eco-efficiency in

Manufacturing: A Review on Available Knowledge and a Framework for IoT Adoption. IFIP
Advances in Information and Communication Technology Advances in Production Management
Systems. Competitive Manufacturing for Innovative Products and Services, 96–102. doi:
10.1007/978-3-642-40352-1_13

[14] Shrouf, F., & Miragliotta, G. (2015). Energy management based on Internet of Things:
practices and framework for adoption in production management. Journal of Cleaner Production,
100, 235–246. doi: 10.1016/j.jclepro.2015.03.055

[15] Papetti, A., Pandolfi, M., Gregori, F., & Peruzzini, M. (n.d.). IoT to Enable Social
Sustainability in Manufacturing Systems. Advances in Transdisciplinary Engineering. Doi:
10.3233/978-1-61499-898-3-53

[16] Liang, Y., Lu, X., Li, W., & Wang, S. (2018). Cyber Physical System and Big Data enabled
energy efficient machining optimisation. Journal of Cleaner Production, 187, 46–62.
doi:0.1016/j.jclepro.2018.03.149

[17] Ford, S., & Despeisse, M. (2016). Additive manufacturing and sustainability: an exploratory
study of the advantages and challenges. Journal of Cleaner Production, 137, 1573–1587. doi:
10.1016/j.jclepro.2016.04.150

[18] Ullah, A. S., Hashimoto, H., Kubo, A., Jun, N., & Tamaki, I. (2013). Sustainability analysis of
rapid prototyping: material/resource and process perspectives. International Journal of Sustainable
Manufacturing, 3(1), 20. doi: 10.1504/ij

[19] Realtà virtuale o aumentata? Meglio esperienziale. (n.d.). Retrieved from

https://www.enel.com/it/storie/a/2018/11/enel-innovation-community-meetup-realta-virtuale-realta-
aumentata

[20] Hermann, C., Zein, A., Wits, W. W., & van Houten, F. J. A. M. (2011). Visualization of

environmental impacts for manufacturing processes using virtual reality. In Proceedings of the 44th
CIRP Conference on Manufacturing Systems (pp. -). Madison, USA: University of Wisconsin.

[21] Joshi, A. P., Han, M., & Wang, Y. (2018). A survey on security and privacy issues of
blockchain technology. Mathematical Foundations of Computing, 1(2), 121–147. doi:
0.3934/mfc.2018007

[22] More Than Just a Buzzword: How Blockchain Could Transform Manufacturing. (2019,
January 22). Retrieved from https://gesrepair.com/how-blockchain-could-transform-manufacturing/

[23] Khaqqi, K. N., Sikorski, J. J., Hadinoto, K., & Kraft, M. (2018). Incorporating seller/buyer

reputation-based system in blockchain-enabled emission trading application. Applied Energy, 209,

8–19. doi: 10.1016/j.apenergy.2017.10.070

[24] Niforos, M. (2017). Beyond Fintech: Leveraging Blockchain for More Sustainable and
Inclusive Supply Chains. IFC.

[25] Bellomo, S. (2019, July 13). Nella UE inquinare è sempre più caro: permessi per la CO2 al
record dal 2008. Retrieved from https://www.ilsole24ore.com/art/nella-ue-inquinare-e-sempre-piu-
caro-permessi-la-co2-record-2008-AC5NuXY?refresh_ce=1