Il case study di cui ci apprestiamo a trattare, ha vinto il riconoscimento di “Second best paper” avente come oggetto “Manufacturing and Industrial Process Design”. Si tratta di un case study che fa riferimento ad un reale progetto di machine learning a supporto della soluzione di problemi di qualità e di processo.

Il titolo del paper è appunto “A decision theory approach to support action plans in cooker hoods manufacturing”.

 

Certificate of Award - Second Best Paper

Certificate of Award – Second Best Paper

 

Attualmente, i temi caldi nel settore industriale, riguardano la qualità, la riduzione dei tempi, il taglio dei costi. Si parla quindi di efficienza (OEE, Andon), di monitoraggio dei consumi energetici, ecc..

Inoltre, il paradigma Industria 4.0 consente di integrare i sistemi fisici con i modelli digitali. In questo contesto si inseriscono certamente i sistemi che prevedono “basi di conoscenza” a supporto del controllo e della pianificazione della produzione.

 

Premessa al case study

La premessa di questo progetto è la seguente: le linee di produzione possono ottenere arresti o rallentamenti relativi a problemi di qualità.

I problemi di qualità si traducono sempre in tempo che viene dedicato alla soluzione del problema. La misura di questo tempo è inversamente proporzionale all’esperienza dell’operatore, direttamente proporzionale alla complessità del processo e dipende infine dalla velocità con cui il problema viene rilevato.

L’obiettivo del progetto illustrato i questo case study è stato: come supportare il rilevamento e la risoluzione dei problemi nella produzione?

La difficoltà nell’assolvere a questo compito sta nel fatto che la soluzione dovrebbe essere in grado di supportare un processo dinamico, in cui eventi e azioni cambiano nel tempo.

Per raggiungere questo scopo si è voluto utilizzare un “Knowledge-based System”, una base di conoscenza a supporto dell’operatore per la pianificazione delle azioni per la risoluzione dei problemi, al fine di ridurre il tempo per le procedure trial-and-error.

Questo KBS è stato implementato attraverso una rete bayesiana, per supportare il processo decisionale dell’azione.

 

Il Case study

Il case study è incentrato sulla produzione automatica di cappe da cucina con azioni di controllo in tempo reale. La piattaforma software è stata sviluppata da NeXT, come fornitore di soluzioni Industry 4.0.

 

Architettura del progetto

Architettura del progetto

 

Nell’immagine soprastante è riprodotta l’architettura del progetto, concretamente realizzato e tutt’ora running, in un ambiente di produzione, presso uno dei nostri più importanti partner.

La rete bayesiana è una rappresentazione grafica delle relazioni causa-effetto; il controllo qualità rileva gli avvisi e i problemi da correggere utilizzando le azioni suggerite dalla rete bayesiana (Knowledge Base); infine, uno schema di apprendimento automatico (Machine ledger) offre la possibilità di rafforzare l’efficienza nella risoluzione dei problemi.

 

Modellazione del sistema

Le fasi del processo di modellazione del sistema

Le fasi del processo di modellazione del sistema

 

Quattro fasi descrivono il processo di modellazione del sistema: ogni fase riguarda lo sviluppo di uno strumento per supportare il flusso di lavoro decisionale durante l’operazione.

  1. Impostazione del rilevamento del controllo di qualità
  2. La Base di Conoscenza (KB) viene utilizzata per ricercare le cause, attraverso una rete bayesiana
  3. Il terzo strumento (KB Weight definition) calcola la probabilità di ogni possibile soluzione (approccio probabilistico)
  4. La definizione dei piani d’azione (action plan) verrà utilizzata per risolvere il problema correlato.

Impostazione del controllo qualità

 

Settaggio variabili

Settaggio variabili

Il controllo qualità (QC) si basa sul monitoraggio di alcune variabili numeriche: ogni valore può essere misurato manualmente o acquisito automaticamente dai sensori.

Durante una fase di controllo qualità, un segnale “fuori controllo” (Out Of Control – OOC) viene generato quando un valore campione non è compreso nell’intervallo.

Un OOC rilevato è l’effetto di uno o più problemi di qualità possibili, correlati al processo di produzione: la rete bayesiana supporta la ricerca di cause e soluzioni.

 

Definizione della base di conoscenza

La base di conoscenza è stata “costruita” attraverso briefing tecnici e consulenze di operatori esperti.

A rappresentare tutte le relazioni di causa ed effetto è stato utilizzato un modello di rete bayesiana (modello basato sulla causa): ogni nodo può essere una causa o un effetto.

La relazione tra due nodi è di tipo probabilistico.

Ogni nodo può assumere uno dei tre valori: True, False, Unknown (durante un evento Out of Control): l’effetto viene cercato analizzando ogni foglia con lo stato True.

Definizione dei “fattori di peso”

KB Weight definition

Definizione dei fattori di peso

 

A ciascuna relazione causa-effetto viene assegnata un fattore di peso (weight factor): questa WF rappresenta quanto ogni “parent” influenza il “child

Per risolvere la probabilità tra parent e child è stato implementato un modello Noisy-OR.

 

Definizione degli action plan

Il layout del case study include 5 robot, 3 presse piegatrici e 1 macchina rotativa. Le fasi del processo produttivo sono tre: la produzione della forma frontale, la produzione del telaio posteriore e la rivettatura di tutte le parti.

 

Layout del processo produttivo

Layout del processo produttivo

Di seguito, viene descritto un esempio di un problema di rilevamento/risoluzione, dopo un processo di ispezione del campione (da un operatore su una pressa di stampaggio).

A sinistra è rappresentata la fase di rilevamento dei problemi. A destra è presentato il rispettivo “Action plan“, elaborato e proposto in relazione alla base di conoscenza.

Se l’operatore seleziona il piano d’azione proposto e aggiunge un feedback positivo, il sistema aumenta il valore d’utilità di quel piano, per quello stato di credenza: apprendimento del rinforzo.

Un esempio di un problema di rilevamento e risoluzione

Un esempio di un problema di rilevamento e risoluzione

La figura seguente, invece, descrive la percentuale di successo per la soluzione al problema emerso, utilizzando i piani di azione proposti dallo strumento KBS.

Questo rapporto è correlato a una produzione di 4 settimane.

 

Risultati

Risultati

 

Come si vede, l’effetto dell’utilizzo del machine learning, aumenta la percentuale di successo durante l’ultimo periodo di campionamento.

 

In generale, i risultati dei test mostrano una riduzione del tempo di risoluzione dei problemi di qualità, di circa il 50%.

Conclusioni

  • È stato descritto un progetto basato sulla base di conoscenza, a supporto delle decisioni relative ai piani d’azione.
  • È stato applicato un approccio alla Rete bayesiana;
  • È stato sviluppato e testato uno strumento KBS per la produzione di parti in lamiera.
  • I risultati mostrano una riduzione del tempo di soluzione dei problemi di qualità, di circa il 50%.

Come sviluppo futuro, lo strumento KBS proposto verrà implementato coinvolgendo un Cloud Computing.

È inutile dire che NeXT è orgogliosa di aver partecipato a questo progetto concreto.

Abbiamo messo a disposizione di esso tutto il nostro know how sullo sviluppo software, in particolare nella creazione della Base di conoscenza e della Rete Bayesiana e dell’implementazione del metodo di Machine learning.

Ringraziamo i nostri partner e tutti coloro che hanno collaborato al premio scaturito da questa esperienza… davvero 4.0!

 

 

Ascoltando: Terry Reid – “Seed of memory
Lettura in corso: “Le città invisibili” di Italo Calvino
Mood: cognitivo