Industria 4.0 >> AI e Machine Learning per la soluzione di problemi di qualità nel processo

A.I.O.C.A.P.
Automatic Intelligent Out
of Control Action Proposal

L’A.I.O.C.A.P. è un sistema di intelligenza artificiale per il supporto decisionale alla risoluzione di problemi di qualità e processo.

Risultati attesi

La volontà sottostante all’implementazione di questa soluzione, è quella di migliorare le performance nella soluzione di problemi, andando ad individuare immediatamente, senza sprechi di tempo o fermate prolungate, quelle che sono le cause radice di un determinato problema.

Andando più nel dettaglio possiamo individuare due obiettivi principali:

Problem Solving

Supportare l’operatore, in real time, nella soluzione di un problema di qualità riscontrato durante la produzione.
Questo supporto si concretizza in una serie di suggerimenti, forniti direttamente ed automaticamente dal sistema. Il suggerimento sarà basato su una valutazione probabilistica dello stato corrente del processo e su un modello di utilità Azione-Stato appreso automaticamente dal sistema in base alle scelte dell’operatore.

Shared Knowledge

Consentire un trasferimento di conoscenza dalle risorse umane alla macchina, andando ad implementare una sorta di machine learning, a partire da una base di conoscenza.
In questa maniera ne gioverà un altro tipo di trasferimento di conoscenza: quello dagli operatori più esperti a quelli meno esperti, migliorando così le performance di ogni singolo operatore.

Pronto a… saperne di più?

La rete bayesiana

Il primo passo per implementare un sistema A.I.O.C.A.P. è quello di creare una base di conoscenza probabilistica.

A partire da questa base, organizzata in una rete Bayesiana, il sistema andrà a proporre alcune soluzioni in forma di action plan.

La rete bayesiana fornirà un grado di credenza probabilistica dello stato attuale del processo, a seguito di un evento legato a uno o più problemi di qualità, rilevato automaticamente dal sistema.

La logica

La logica di questo Sistema prevede che esso prenda delle decisioni combinando tra loro concetti di utilità e probabilità.

Una volta creata la base di conoscenza, questa verrà messa alla prova in due particolari situazioni:

  • Durante il controllo qualità (esame a campione eseguita dall’operatore)
  • In caso di scarti rilevati dal sistema (ad esempio un sistema Andon)

In entrambi i casi, l’operatore, dotato di device mobile, riceverà una notifica, visualizzando contestualmente le cause più probabili di quell’anomalia. A questo punto l’operatore potrà visionare la sequenza di azioni, elaborate dallo smart agent.

L’operatore dovrà quindi verificare che uno degli action plan proposto sia corretto, cioè risolva il problema.

Una volta risolto il problema, l’operatore andrà a dare conferma al sistema e quindi rafforzerà quella soluzione per quel tipo di problema.

Il Case study

Da questo progetto è scaturito un case study il quale è stato alla base di una pubblicazione scientifica.

Tale pubblicazione ha vinto il riconoscimento di “Second best paper”, da parte dell’Università di Cartagena, avente come oggetto “Manufacturing and Industrial Process Design”.

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

Risultati ottenuti

La logica di reinforcement learning, fa sì che il sistema, partendo dalla base di conoscenza costruita da esperti, diventi , via via, sempre più bravo.

Dai grafici che seguono, relativi all’utilizzo di questo sistema presso lo stabilimento di un nostro cliente, si evince come, a circa un anno dall’inizio dell’apprendimento, sia stato registrato, in media, il 95% di successi al primo tentativo.

Nella prima parte del grafico si evidenzia una tendenza all’apprendimento. Anche se in maniera “turbolenta”, il sistema raggiunge ottimi risultati in qualche mese di lavoro.

Il valore aggiunto del sistema viene confermato dal supporto che ai nuovi operatori, in quanto non esperti del processo di produzione della linea. La conoscenza sul processo viene fornita dal sistema, dopo averla appresa dagli operatori più esperti.

"Un giorno le macchine riusciranno a risolvere tutti i problemi, ma mai nessuna di esse riuscirà a porne uno."

– Albert Einstein

Pronto a… saperne di più?

© 2021 NeXT Srl - P.IVa. 02510420421 - Informativa Privacy & Cookie - Powered by Fuel31