87 / 100
CONTROLLO
tecnica
87
Automazione e Strumentazione
Novembre/Dicembre 2017
umano. Tale procedura ha limiti legati alla
gestione di tali risorse, l’affidabilità e la
riproducibilità del giudizio ed è limitante
nelle grosse produzioni. La visione artifi-
ciale implementa modelli predittivi basati
sui potenti algoritmi di
deep learning
ed
è in grado di riconoscere in automatico le
difettosità consentendo di automatizzare i
processi produttivi.
Nel
case study
, il prodotto finito è valutato
con parametri di conformità relativi alle di-
mensioni ed alla tonalità del colore. L’ana-
lisi delle immagini tramite modelli predittivi
permette di valutare l’aspetto e le dimensioni
del prodotto in modo rapido e diretto, e di
confrontarli con i valori target. Tale sistema
di previsione, acquisendo segnali con camere
multispettrali, esplora la superficie anche dal punto di vista chimico
[8]
. Una volta localizzato il difetto (ad esempio, piccole bolle chia-
re diffuse) sulla superficie, il modello, che tiene in considerazione i
parametri di processo a monte, permette di comunicare all’operatore
che un determinato ingrediente della ricetta deve essere aggiunto in
quantità o in modo differente per correggere la problematica. Tale si-
stema di controllo e diagnosi è schematizzato nella
υ
figura 5
e da
un punto di vista pratico è uno strumento, oggettivo, automatizzato,
pratico (si tratta di analisi di immagini che possono essere acquisiti
anche da semplici dispositivi o sensori mobili) nonché un ottimo sup-
porto agli operatori addetti al controllo di qualità.
3.4 Impianti: manutenzione predittiva ed efficienza energetica
Gli impianti e i macchinari industriali, se non ben mantenuti, pos-
sono causare fermi macchina con conseguente interruzione della
produzione, peggioramento della qualità del prodotto, aumento
degli scarti della produzione e dei costi dovuti alla rilavorazione,
a maggiori costi energetici causati da funzionamenti non efficienti
ecc. Pertanto, la principale necessità degli operatori è mantenere
le macchine in produzione il più possibile efficienti ed operative o
quantomeno controllarne oggettivamente le
performance
.
I modelli predittivi basati sulle tecniche di predicitive maitenance, o
manutenzione predittiva, rispondono a queste esigenze perché capaci
di prevedere in anticipo la rottura di un determinato componente con
un notevole guadagno in termini di utilizzo efficiente della macchina
e un risparmio sui costi di gestione [9]. L’identificazione preventiva
dei problemi con la manutenzione predittiva consente di migliorare
diversi aspetti riguardanti la qualità, l’efficienza e la
supply chain
.
Un altro aspetto non trascurabile negli impianti di produzione è il
costo energetico. I costi relativi all’energia sono in continuo aumento,
per questo l’efficienza energetica è diventata per le aziende un’esi-
genza primaria ed essenziale per rimanere competitivi. In particolare,
nei processi energivori, come nell’industria ceramica, metallurgica,
plastica, alimentare, una piccola inefficienza può portare ad una spesa
economica maggiore che va ad erodere i margini di guadagno.
I modelli di
machine learning
sviluppati grazie alle strategie
data-
driven
, possono aiutare l’ottimizzazione e il miglioramento dell’ef-
ficienza energetica e la selezione dei migliori setup di processo
[10]
.
4. Conclusioni
Formulare soluzioni basate su strategie
data-driven
è un investi-
mento strategico di primaria importanza nei processi di produzione
come evidenziato in questo lavoro. Il livello di digitalizzazione
derivato dalla produzione intelligente può favorire trasformazioni
radicali, la nascita delle
Smart Factory
, e creare nuove opportunità
di business.
I benefici nell’applicazione delle strategie
data-driven
possono
essere riassunti in: (i) ottimizzazione dei processi e delle risorse,
(ii) capacità di adattarsi a nuove situazioni o a dei cambiamenti non
previsti, (iii) disponibilità e fruibilità dell’informazione per una
risposta rapida ed efficace (iv) capacità di agire in modo proattivo
(v) competitività sul mercato e (vi) vantaggi economici in termini
anche di riduzione degli scarti e dei tempi di produzione.
Questa panoramica ha evidenziato che l’intelligenza artificiale
applicata ai sistemi produttivi è una delle forze motrici di questa
nuova rivoluzione industriale e sarà un fattore chiave nella pros-
sima ondata di innovazione economica.
Bibliografia
[1]
J. Lee, E. Lapira, B. Bagheri, H. Kao,
Manufacturing Letters
, 1
(2014), 38-41.
[2]
P. O’Donovan, K. Leahy, K. Bruton, D. T. J. O’Sullivan,
Journal of Big Data
, (2015), 2-25.
[3]
M. Li Vigni, C. Durante, G. Foca, A. Marchetti, A. Ulrici, M.
Cocchi,
Anal. Chim. Acta
, 642 (2009), 69-76.
[4]
T. Kourti,
IEEE Contr. Syst. Mag
., 22.5 (2002), 10-25.
[5]
M. Montorsi, C. Mugoni, A. Passalacqua, A. Annovi, F.
Marani, L. Fossa, R. Capitani, T. Manfredini,
Ceram. Int.
, 42
(2016), 1459-1469.
[6]
A. Khan, J. Moyne, D. Tilbury,
J. Process Contr
., 18 (2008),
961-974.
[7]
M. Li Vigni, M. Cocchi,
Anal. Chim. Acta
, 642 (2009), 69-76.
[8]
M. Li Vigni, J. M. Prats-Montalban, A. Ferrer, M. Cocchi,
J.
Chemometr
., submitted.
[9]
J. Lee, H.-A. Kao, S. Yang,
Procedia
CIRP, 16 (2014), 3-8.
[10]
G. Kant, K. S. Sangwan,
Procedia
CIRP, 26 (2015), 403-
407.
Figura 5 - Schema illustrativo del sistema di controllo qualità tramite visione artificiale
per il riconoscimento dei difetti relativo alla produzione di panini