Ricercatori finlandesi hanno sviluppato un sistema semplice ma efficace che consiste in un’applicazione di Machine Learning nel mondo della lamiera per limitare i fermi macchina. Si tratta di una soluzione in grado di analizzare la lavorazione pianificata ed evidenziare le zone critiche, contribuendo concretamente ai problemi quotidiani di un’azienda, limitando il rischio di fermo macchina.
L’industria produttiva ci ha abituati, anno dopo anno, a una continua accelerazione dei ritmi. Le innovazioni a livello industriale avvengono sempre più rapidamente. Complice anche la complessità dei mercati moderni, diventa fondamentale rimanere al passo con i tempi. Questa accelerazione ha portato a quella che viene definita la rivoluzione di “Industria 4.0”, ovvero la fusione di nuove tecnologie e sistemi di automazione industriale.
L’obiettivo di questa quarta rivoluzione industriale è proprio quello di migliorare le condizioni lavorative, offrendo vantaggi per i clienti (e.g. maggiore qualità, flessibilità ecc.), ma anche per gli stessi produttori. Industria 4.0 infatti nasce come punto di convergenza tra la recente crescita tecnologica, sociale e competitiva. I vantaggi competitivi offerti dalle innovazioni hanno importanti riscontri pragmatici sulle operazioni quotidiane delle imprese, supportando diverse attività aziendali.
Le complessità della digitalizzazione
Oggi si sente parlare molto spesso di “digitalizzazione”, ovvero l’introduzione di tecnologie digitali all’interno dell’azienda al fine di rendere i processi aziendali più efficienti, veloci e fluidi. Questo processo risulta interessante, ma particolarmente complesso da attuare poiché non implica solamente l’eliminazione della carta dagli uffici, ma richiede un’integrazione a 360° dei processi industriali. La trasformazione digitale dei processi lavorativi comporta un flusso massivo di preziose informazioni a tutti i livelli.
È fondamentale imparare a gestire e processare questa enorme mole di dati, così da riuscire a estrarne valore: ad esempio individuando le cause del problema o migliorando i processi produttivi. In questo contesto risultano particolarmente interessanti le tecniche di Machine Learning, un ramo dell’Intelligenza Artificiale, che permettono di accrescere progressivamente le performance sfruttando i dati raccolti dai sistemi digitalizzati. Questi algoritmi vengono utilizzati per analizzare grandi volumi di dati con l’obiettivo di identificare ed estrarre significato e valore da essi.
Le tecnologie di Machine Learning comprendono diversi algoritmi che permettono di imparare a svolgere un determinato compito agendo direttamente sui dati disponibili. In questo modo è infatti possibile accrescere la precisione e le performance con il passare del tempo creando una sorta di esperienza. Sebbene le nuove opportunità siano particolarmente interessanti, bisogna fare i conti con le sfide introdotte da queste moderne tecnologie.
La selezione dell’algoritmo, la scelta dei dati da analizzare, il processamento del dato e molte altre sono le sfide nell’implementazione della soluzione corretta. Infatti risulta importante scegliere i giusti campi di applicazione, così da trovare il miglior compromesso tra costi e ricavi, per iniziare il processo di digitalizzazione. Gli autori della ricerca mostrano infatti una semplice, ma efficace applicazione di Machine Learning nel mondo della lamiera per limitare i fermi macchina.
Il problema
I ricercatori dell’università finlandese hanno quindi focalizzato la propria attenzione su un’azienda specializzata nella lavorazione della lamiera. Questa azienda opera sul mercato globale e offre componenti personalizzati. All’interno dell’azienda è stato notato un problema sul sistema automatizzato di movimentazione della lamiera a seguito delle operazioni di punzonatura. Avviene spesso che, successivamente alla lavorazione, gli scarti di lamiera rimangano bloccati sul macchinario. I sistemi di sollevamento talvolta non sono in grado di rimuovere gli scarti richiedendo un intervento umano.
Questa problematica risulta in una perdita di produzione e in un fermo macchina ingiustificato. Soprattutto nei paesi in cui il costo del lavoro è alto, potrebbe non essere sempre presente o disponibile un operaio per la rimozione della lamiera. Risulta quindi interessante poter sfruttare algoritmi in grado di evidenziare queste criticità permettendo di ridurre o addirittura evitare queste situazioni.
Nei processi di taglio e punzonatura vengono solitamente utilizzati software di “nesting”. Si tratta di tecniche di organizzazione della produzione per ridurre al minimo gli scarti e quindi permettere di produrre il maggior numero di componenti su una lamiera. Tuttavia, se gli spazi tra i componenti sono eccessivamente risicati, il rischio di avere problemi nella rimozione dello scarto di lamiera cresce. Per questo gli autori propongono di superare questo problema sviluppando un algoritmo di Machine Learning in grado di analizzare gli spazi tra i componenti ed evidenziando potenziali criticità.
Processamento delle informazioni
Per valutare il rischio di fermo macchina è quindi importante valutare gli spazi (o “gap” in inglese) tra i componenti da punzonare. In questo modo è possibile aiutare l’azienda a pianificare la produzione tra giorno e notte, identificando le lavorazioni più critiche a seconda dei “gap” presenti. Per fare questo è stato creato un algoritmo in grado di analizzare il disegno con la disposizione dei componenti, processarlo e identificare le aree critiche (come mostrato in Figura 1). Tutto ciò è stato implementato utilizzando Python 3.7.0.
Gli autori immaginano di applicare l’algoritmo proposto su un caso di studio realistico. Ipotizzando un produttore di sofisticati macchinari per la lavorazione della lamiera completamente automatizzati e che richiedono una minima interazione con l’operatore. Tramite il software di controllo è possibile pianificare le operazioni, controllare e monitorare le lavorazioni, ma anche effettuare automaticamente le operazioni di preparazione alla punzonatura. Utilizzando evoluti sistemi di “nesting”, in grado di ridurre al minimo gli scarti e massimizzando l’utilizzo della lamiera, si avrebbe un elevato rischio di non riuscire a sollevare gli scarti tramite i sistemi di movimentazione automatizzati.
Questo comporterebbe il rischio di un fermo macchina negli orari notturni che potrebbe comportare danni ingenti in termini di perdita della produttività e impatto sulla pianificazione. In questo contesto risulta particolarmente prezioso un algoritmo in grado di fungere da controllore, individuando autonomamente i punti deboli delle lavorazioni programmate ed evidenziando potenziali criticità.
Il risultato
I ricercatori finlandesi offrono una soluzione relativamente semplice, ma efficace. È stato sviluppato un sistema in grado di analizzare la lavorazione pianificata ed evidenziare le zone critiche (Figura 2). Così è possibile contribuire concretamente ai problemi quotidiani di un’azienda, limitando il rischio di fermo macchina. Identificando produzioni di componenti particolarmente critici e complessi è possibile organizzare la pianificazione. Prediligendo lavorazioni critiche negli orari mattutini, in cui maggiore forza lavoro è disponibile, sarà comunque possibile ridurre i fermi macchina. Negli orari notturni invece sarà preferibile pianificare lavorazioni più semplici e con minori rischi.
Questa semplice soluzione permette di eliminare colli di bottiglia operativi all’interno della produzione, senza la necessità di investire ingenti cifre in manodopera o macchinari più evoluti. L’applicazione dell’Intelligenza Artificiale all’interno dell’azienda è un prezioso esempio di come la rivoluzione di Industria 4.0 possa aiutare l’imprenditore ad affrontare i problemi operativi quotidiani. Applicazioni di questo genere sono destinate a diffondersi ed evolversi nei prossimi anni, dando forma all’industria di domani.
Fonte: Shamsuzzoha, A., Kankaanpaa, T., Nguyen, H., & Nguyen, H. (2021). Application of machine learning algorithm in the Sheet Metal Industry: An exploratory case study. International Journal of Computer Integrated Manufacturing, 35(2), 145–164. https://doi.org/10.1080/0951192x.2021.1972469
A cura di Stefano Grulli
