Caso d’uso: Nexus4FCA

Monitoraggio della qualità in produzione in ambito automotive mediante tecnologie IIoT, AI e machine learning

Soggetti coinvolti

Stellantis – Plant FCA di Pomigliano D’Arco (azienda manifatturiera, che si occupa del processo di lastratura) e Nexus TlC Srl (solution provider)

Benefici

La soluzione adottata prevede l’utilizzo di Reti Neurali Artificiali (Artificial Neural Network) e di algoritmi di intelligenza artificiale (AI) e machine learning per monitorare costantemente la qualità della produzione e lo stato dei macchinari al fine di prevedere eventuali guasti o anomalie prima ancora che si verifichino problematiche.

La Sfida

Ogni azienda che produce sa quanto sia importante effettuare un controllo qualità sulla propria produzione ma soprattutto quanto sia fondamentale fare manutenzione ai propri macchinari per evitare guasti e fermi produttivi.

L’idea proposta da Nexus TLC Srl è quella di utilizzare sistemi innovativi per il controllo qualità e per l’analisi “unificata” dello stato dei macchinari controllati da un’ Intelligenza Artificiale che fa uso di algoritmi di machine learning per predire guasti o migliorare la qualità della produzione.

La Soluzione

La soluzione adottata prevede l’utilizzo di Reti Neurali Artificiali (Artificial Neural Network) e di algoritmi di intelligenza artificiale (AI) e machine learning per monitorare costantemente la qualità della produzione e lo stato dei macchinari impiegati al fine di prevedere eventuali guasti o anomalie prima ancora che si verifichino problematiche.

Lo scenario preso in esame è quello del processo di lastratura, come quello svolto presso lo stabilimento automobilistico di FCA (Gruppo Stellantis).
Supponiamo di volerlo monitorare e controllare, in particolare, in tempo reale la qualità dei punti di saldatura per capire se il prodotto finito è qualitativamente valido o se ci sono delle anomalie. Quello che Nexus Tlc ha fatto in concreto, è stato addestrare una Rete Neurale Artificiale a riconoscere i punti di saldatura di buona qualità da quelli di pessima qualità in modo tale che restituisca un risultato, sotto forma di “score”, da associare all’analisi di qualità.

Come dimostrato dai test condotti in campo, la Rete Neurale Artificiale è riuscita a riconoscere un numero statisticamente consistente di punti di saldatura eseguiti, per i quali ha assegnato un “punteggio” da 1 a 100 sulla qualità della saldatura stessa; il punteggio viene assegnato tenendo ovviamente conto di quanto appreso in fase di addestramento. Ogni «score» viene salvato in tempo reale all’interno di un database, assieme all’identificativo univoco del test ed una marca temporale, in modo tale che possa essere subito elaborato per segnalare tempestivamente la presenza di qualche problema.

PLC e Sensoristica

Ogni macchinario di produzione ha a bordo un PLC di controllo e gestione, spesso connesso in rete. L’idea è stata quella di “aggregare” in un solo punto tutti i dati provenienti da tutti i PLC di tutti i macchinari di produzione o comunque solo quelli legati a quel determinato ambito produttivo. Questo ha reso possibile ottenere una dashboard unica di controllo e gestione dei macchinari ma soprattutto la possibilità di acquisire e lavorare su più parametri contemporaneamente.

Controllo delle saldature con sistemi di visione, intelligenza artificiale e machine learning

Dashboard che visualizza in tempo reale i dati raccolti e le analisi qualitative con tabella “score”

Risultati ottenuti

L’aspetto fondamentale di tutto il progetto è quello di poter analizzare tutto lo storico dati, sia a livello visivo che di parametri, per poter comprendere il comportamento dei macchinari prima di un eventuale guasto o comunque di una lavorazione non di qualità.
Fatto ciò (avendo analizzato in precedenza il comportamento), tramite l’implementazione di algoritmi di machine learning, è stato altresì possibile riconoscere e predire un possibile / probabile guasto.
Sia il sistema visivo basato su rete neurale artificiale sia l’acquisizione e analisi di tutti i dati provenienti dai macchinarici ha permesso di avere un sistema robusto, scalabile e dinamico per l’analisi qualitativa della produzione e della manutenzione dei macchinari.

Questa soluzione, che come detto è stata proposta ed analizzata in prima battuta con FCA, in particolare sul plant di Pomigliano – Lastratura,  è comunque applicabile a qualsiasi tipo di ambiente produttivo dove è possibile “incrociare” dati provenienti da analisi video con dati provenienti dai macchinari.
I punti di forza della soluzione presentata, condivisi anche dalla stessa FCA Pomigliano, possono essere riassunti in:

  • Maggior supporto all’analisi qualitativa delle lavorazioni
  • Database unificato ed accessibile da remoto delle analisi qualitative
  • Controllo e Gestione unificata dei macchinari
  • Manutenzione Predittiva
  • Miglior qualità produttiva
  • Ottimizzazione risorse e personale addetto al controllo
  • Riduzione fermi produzione

Sei interessato ad adottare questa metodologia?