Dott. Ing. Francesco Franchino Techsol

Transcript

1 L AI nel monitoraggio del Manufacturing Execution & Operations Dott. Ing. Francesco Franchino Techsol

2 L'industria integrata ed intelligente Cosa intendiamo Tecnologie fondamentali Tecnologie a supporto

3 L'industria integrata ed intelligente Evoluzione MES e MOM Tre livelli di integrazione Integrazione Verticale Integrazione Orizzontale Integrazione end-to-end

4 I dati come elemento trainante nel nuovo modello di produzione I dati rappresentano un enorme valore. Migliore efficienza del sistema produttivo Maggiore agilità Profonda integrazione tra gli elementi distinti del sistema produttivo (logistica, supply chain) Miglioramento e aumento della qualità di prodotto e processi

5 Verso una nuova generazione di produzione intelligente Paradigmi fondamentali Digital manufacturing Digital-networked manufacturing New-generation intelligent manufacturing 1. Da metà del XX secolo, fino a metà degli anni 90, l informazione era nella fase digitale, con le caratteristiche di calcolo, comunicazione e controllo. 2. A metà degli anni 90 arriva Internet su larga scala. Si entra nella fase del networking dell informazione che viene resa disponibile grazie all uso della rete. 3. Siamo nella fase in cui le nuove tecnologie, come cloud computing, big data, mobile internet, Industrial Internet, hanno prodotto le basi per entrare nella fase dell informazione intelligente, grazie ad una nuova generazione di AI.

6 Produzione intelligente di nuova generazione e HCPS

7

8 L'intelligenza artificiale Machine Learning: capacità di creare algoritmi attraverso i dati. Artificial intelligence: capacità delle macchine di lavorare in modo intelligente. Cognitive computing: è un sistema che impara su vasta scala. Una miscela di informatica e scienza cognitiva.

9 Intelligenza artificiale, MES, MOM Aree di utilizzo dell AI nel supporto al monitoraggio Migliorare il monitoraggio dei processi Efficientare la qualità di prodotto e processi Minimizzare la quantità di dati digitati dall utente Prevenire perdita di qualità Sapere in tempo reale cosa sta per accadere e prevedere quindi delle correzioni tempestive Creare degli scheduler automatici Assistere le attività di pianificazione

10 Obiettivi ed attori coinvolti Key point sui vantaggi ottenibili Attori coinvolti Riduzione dei costi attraverso la predictive maintenance, che conduce ad una minore attività di manutenzione. Predire il fine vita della macchina. Conoscere il comportamento delle macchine aiuta a creare le condizioni utili a migliorare la performance mantenendo allo stesso tempo a salute della macchina. Si evitano così downtime non previsti. Miglior controllo della qualità attraverso il monitoraggio che minimizza le perdite di qualità. Migliore collaborazione uomo-robot Capi turno ottengono chiarezza immediata per quanto riguarda la qualità della linea di produzione. Operatori utilizzano sistemi visuali che mostrano gli aspetti che richiedono attenzione immediate e quelli che possono aspettare. Managers della qualità ottimizzano l efficienza della produzione attraverso il rilevamento delle anomalie. Supervisori della produzione Produzione consumer-focused

11 Approccio al modello di ML Costruzione del modello dalla difettologia storica. Applicazione del modello con i dati in tempo reale quindi durante l'esecuzione della produzione al fine di predire difettologie ed ottenere alert che permettano agli operatori delle opportune correzioni sulla lavorazione.

12 Modelli di ML applicabili Supervisionati Classificazione Regressione Non Supervisionati Tecniche supervisionate Sono tecniche nelle quali al modello viene fornito sia l'input che l'output. Il modello durante la fase di addestramento cercherà di modificare i parametri interni per far sì che ad un dato input corrisponda quel determinato output. Tecniche non supervisionate Clustering Association Analysis Sono tecniche nelle quali non è nota la variabile di output del modello. Sono utilizzate per determinare legami, correlazioni non note tra le features di analisi.

13 Importanza della qualità dei dati = Dal dato all informazione Input Output Avendo dei dati che sono spazzatura non è possibile ottenere qualcosa di diverso. Diventa fondamentale avere conoscenza del dominio dei dati.

14 Modelli di ML applicabili CLASSIFICAZIONE REGRESSIONE

15 Elementi per il controllo del processo

16 Un caso reale: il problema del Crown.

17 Un caso reale: il problema del Crown E possibile creare un modello che sia rappresentativo dell andamento reale dei nastri laminati? Come? Abbiamo usato un modello supervisionato.

18 Un caso reale: il problema del Crown Split dei dati Bontà del modello. Abbiamo ottenuto uno score di 0.9. Considerando che il valore migliore possibile nella previsione è 1 mentre il valore peggiore è zero, vuol dire che siamo confidenti nella corretta bontà del modello.

19 Contatti Via Bartolomeo Riva Piacenza Tel info@techsol.it Website: