Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

Smart Manufacturing

Deep Learning per vincere le sfide della qualità nel manifatturiero

Come rendere più efficiente il controllo qualità e tradurre in pratica gli approcci zero defects manufacturing con l’aiuto del Deep Learning. Il ruolo di IBM Watson e IBM Power AI

25 Set 2019

Annalisa Casali

Come è possibile migliorare la qualità dei prodotti e realizzare gli approcci zero defects nel manufacturing grazie all’Intelligenza Artificiale e al Deep Learning? Il manufacturing è tra i settori più all’avanguardia nell’uso di AI e apprendimento automatico. I robot autonomi affiancano gli operai lungo la catena di montaggio in varie attività di assemblaggio. Autoapprendimento e Artificial Intelligence sono anche i principali abilitatori degli approcci di manutenzione predittiva, che mirano a ridurre i tempi di inattività di macchinari e sistemi industriali prevenendo possibili fermi o guasti. L’AI nella fabbrica sempre più connessa e smart migliora anche le attività di progettazione, grazie all’analisi dei dati sui prodotti che si traducono in simulazioni e scenari d’uso. 

Deep Learning in ambito Industria 4.0 

In un contesto come quello odierno, caratterizzato da una forte competitività sia all’interno dei confini nazionali che sui mercati esteri, la qualità è uno dei principali fattori differenzianti. I consumatori moderni si aspettano di acquistare sempre prodotti di alta qualità, ma per le aziende non è sempre facile soddisfare queste aspettative. I tempi rapidi della distribuzione spingono, infatti, verso un accorciamento del time-to-market che, inevitabilmente, si ripercuote sui processi di lavorazione. I responsabili della qualità devono lavorare con ritmi sempre più serrati e il rischio è che a farne le spese sia il cliente. Immettere sul mercato prodotti di scarsa qualità o difettosi può avere conseguenze pesanti per l’azienda.  

  • Conseguenze materiali: costi extra per lo smaltimento di materiali, maggior costo della produzione 
  • Conseguenze immateriali: sostituzioni e richiami di prodotto 
  • Conseguenze finanziarie: penali di ritardata consegna 
  • Conseguenze intangibili: perdita di fiducia da parte del consumatore, reclami, passaparola negativo, deterioramento dell’immagine del brand 

Le aziende hanno capito l’importanza degli approcci zero defect manufacturing e oggi iniziano a sperimentarli con successo. L’utilizzo di sistemi di ispezione di nuova generazione, che impiegano tecnologie IoT e Deep Learning per isolare prontamente i difetti e anticiparne l’insorgenza in futuro, si diffonde soprattutto nelle grandi aziende.  

 

Real-time monitoring e identificazione dei difetti grazie a Deep Learning e IoT 

I sistemi d’ispezione intelligenti sono inseriti all’interno di piattaforme che prevedono l’uso di tecnologie di image processing applicate a fotocamere o telecamere posizionate sulla linea di produzionecorredate da sistemi di allerta e attuatori. Una volta rilevato il problema, il sistema indica in tempo reale all’operatore le azioni da intraprendere per eliminare il componente non conforme e intervenire sulle cause che lo hanno generato, impedendo la propagazione dei difetti alle fasi successive della lavorazione. I dati di feedback così ottenuti sono spesso utilizzati anche per orientare meglio i processi di progettazione e sviluppo, in un’ottica di miglioramento continuo. 

Il principio di fondo di questa prospettiva è quello di disporre di tutti i possibili strumenti in grado di rilevare dati da analizzare sulla base di pattern definiti in grado intercettare con la massima precisione e la massima velocità anche i più piccoli scostamenti rispetto ai protocolli definiti a livello progettuale. In questo modo la produzione e in generale il mondo operation hanno la possibilità di intervenire sui sistemi minimizzando gli sprechi e riportando nel più breve tempo possibile la produzione ai livelli di qualità standard. 

Computer vision e Deep Learning per la Predictive Quality  

La completa automazione del controllo qualità è una grossa sfida per le aziende manifatturiere, soprattutto perché le ispezioni si basano in prevalenza sull’esperienza acquisita sul campo dai tecnici. L’apprendimento automatico, però, rappresenta un valido alleato. Deep Learning e Machine Learning sono in grado di supportare in modo efficace gli operatori professionali, identificando preventivamente le cause – sbalzi di temperatura e umidità, per esempio -, di possibili difetti della produzione. Ovvio che ragionare in ottica di prevenzione dei difetti, anziché di correzione, appare una scelta non solo praticabile ma anche auspicabile. Ed ecco spiegato perché nel manufacturing si sente sempre più spesso parlare di Predictive Quality, a indicare quella combinazione di computer vision e Deep Learning che manda in soffitta le tecniche ispettive tradizionali e che sostiene gli approcci zero defects 

L’integrazione tra Deep learning e image processing 

Il processing delle immagini si sposa con l’utilizzo di sistemi cognitivi che elaborano le informazioni acquisite alla ricerca di correlazioni non evidenti, sintomatiche di possibili problemi futuri. Si ragiona, quindi, non più sul tempestivo rilevamento della parte difettosa ma sulla prevenzione del difetto. In questo senso, l’attività di allenamento degli algoritmi è fondamentale: i risultati che l’algoritmo suggerisce vengono sottoposti alla revisione da parte del tecnico specializzato in controllo qualità, che li avalla oppure suggerisce le modifiche del caso.  

Tanti dati e tanto allenamento: ecco il training del Deep learning 

Maggiore è la quantità di dati immessi nella fase di training e più accurati e precisi saranno i risultati. Con il passare del tempo, poi, gli algoritmi saranno in grado suggerire in completa autonomia le azioni da intraprendere per migliorare l’efficacia e l’efficienza dei processi di controllo qualità. Il risultato è un miglioramento deciso dell’accuratezza delle ispezioni, con la conseguente riduzione del numero di parti difettose e dei costi connessi alla non-qualità.  

I benefici sono evidenti da subito. Diverse ricerche che ahnno analizzato le applicazioni di Deep learning e di Machine learning nel manifatturiero mettono inevidenza i concreti vantaggi che sono raggiungibili in particolare a livello di riduzione del downtime di fabbrica e di riduzione sostanziale dei costi di manutenzione dei macchinari. Il tutto con un aumento altrettanto sostanziale nell’aumento della qualità complessiva dei prodotti finali. 

IBM Watson IoT for Manufacturing per le ispezioni visive 

In particolare, le evidenze di studi realizzati da IBM dimostrano che oltre la metà dei controlli qualità condotti su un prodotto include una conferma di tipo visuale. Le ispezioni visuali assicurano che tutte le parti di un prodotto abbiano la forma perfetta e siano nella posizione corretta, abbiano i giusti colori e la giusta texture. L’automazione delle ispezioni visive è molto difficile da realizzare, a causa della varietà e della quantità di componenti e prodotti che transitano ogni minuto sulle linee di produzione. Con Watson e Power AI, IBM punta ad affiancare ai tecnici del controllo qualità con un esercito di “assistenti cognitivi” digitali, che scandagliano componenti e semilavorati in transito nello shopfloor, alla ricerca di imperfezioni e difetti.  

Una tecnologia Deep learning indirizzabile verso diversi settori industriali  

La tecnologia di Deep Learning IBM è versatile e può essere impiegata in varie industrydall’automotive all’elettronica. Abbinata a sensori e telecamere smart, permette di automatizzare le ispezioni visive, migliorando sensibilmente l’efficacia del controllo qualità. Il sistema IBM Watson IoT for Manufacturing utilizza una fotocamera a ultrasuoni ad alta risoluzione, che cattura l’immagine dei prodotti in movimento lungo la linea di produzione o assemblaggio. Gli algoritmi di Watson riconoscono automaticamente le immagini che presentano difetti come crepe, graffi, fessure o bolle e allertano il tecnico che provvederà a eliminarli dal ciclo della produzione. Sarà sufficiente selezionare le immagini campione (quelle che rappresentano prodotti senza difetti) e caricarle in Watson: analizzando le immagini di tutti i pezzi che passano sotto la fotocamera, gli algoritmi identificheranno quelli difettosi sulla base dei dati inseriti in fase di allenamento. Già durante il training, il sistema è in grado di ridurre i tempi di validazione della qualità della produzione dell’80% e la percentuale di errori del 10%. IBM Watson IoT for Manufacturing migliora la precisione delle sue ispezioni col passare del tempo, sulla base delle valutazioni fatte dai tecnici presenti in fabbrica, che arricchiscono e validano i dati raccolti di continuo lungo lo shopfloor. La piattaforma, poi, suggerisce in totale autonomia i cambiamenti da introdurre per rendere il sistema ancora più intelligente e migliorare i processi ispettivi futuri.  

Suggeriamo di proseguire l’approfondimento di questi temi con la lettura di 

Analisi, approfondimenti, studi e tools per data scientist, IT Manager e Lob

 

Immagine fornita da Shutterstock

@RIPRODUZIONE RISERVATA
C
Annalisa Casali

Articolo 1 di 5