Con il progetto sperimentale “Machine learning per l’ottimizzazione di processi galvanici nichel free applicati all’occhialeria”, vincitore del bando Regionale POR FESR 2014-2020, Safilo è riuscita a rendere monitorato e ottimizzato l’innovativo processo galvanico nichel free implementato negli scorsi anni nello stabilimento di Longarone, in un processo di digitalizzazione. Un risultato raggiunto grazie alla collaborazione di diversi partner, che ha reso possibile l’implementazione di rivoluzionarie tecniche di acquisizione dati e di monitoraggio in real time dell’impianto produttivo, e all’utilizzo di avanzate tecniche di AI per l’analisi dei dati.
Indice degli argomenti
Un processo galvanico sicuro, sostenibile e senza nichel
La galvanizzazione è un processo elettrochimico che consente di ricoprire un pezzo grezzo con diversi strati metallici. Nell’occhialeria questo è uno dei processi chiave nella produzione di montature e componenti in metallo. La galvanica ha la doppia funzione di rendere le superfici delle montature più omogenee, lucide e brillanti e al contempo le protegge da usura e corrosione. In continuità con le sue politiche di sostenibilità del prodotto e di sicurezza dei suoi lavorati, Safilo ha scelto di abbandonare la galvanica tradizionale basata sul nichel (al quale alcune persone sono notoriamente allergiche), sostituendola con la galvanica a base di rame o anche detta nichel-free.
Proprio per aumentare le conoscenze di questo nuovo processo, si è deciso cogliere l’occasione fornita dal bando POR-FESR 2014-2020 e dalla digitalizzazione 4.0.
Il valore aggiunto del bando POR-FESR: collaborazione tra imprese, startup e università
Il bando POR-FESR, il cui scopo era quello di stimolare l’aggregazione di imprese per la crescita sociale ed economica nei settori dello sviluppo industriale, dell’agenda digitale, dell’ambiente e dell’innovazione, ha portato un valore aggiunto al progetto, proprio attraverso il sinergico lavoro di squadra tra azienda, startup, università e tutti i partner coinvolti.
Al progetto hanno partecipato le aziende: Impianti elettrici Cazzin Massimo, per la parte di impianti elettrici e automazioni; MSquare Dynamics, per la parte di sensoristica, IoT e creazione database e M3E per la parte di analisi dati e sviluppo di algoritmi. Il tutto con il contributo e la supervisione tecnico-scientifica del Dipartimento di Ingegneria Industriale dell’Università di Padova.
Digitalizzazione della produzione: dalla raccolta dati all’Unsupervised machine learning
Nella prima fase del progetto, l’attività si è articolata lungo due filoni principali: da un lato è stata completamente digitalizzata tutta l’attività di gestione, controllo e mantenimento relativa al processo elettrochimico di galvanica, dall’altro è stato implementato un sistema di acquisizione di tutte le variabili di processo (intensità di corrente, concentrazione degli additivi, tempo di permanenza nelle vasche, etc.). Tale fase ha permesso di garantire la tracciabilità completa dell’ordine in produzione e di creare una solida struttura dati abilitante alla fase successiva.
Nella seconda fase del progetto si è quindi passati all’attività di analisi dei dati, dove sono state elaborate tutte le informazioni raccolte, al fine di individuare situazioni di anomalia che potevano essere all’origine dei difetti. La quantità di dati acquisiti è molto elevata, basti pensare che ogni singolo pezzo prodotto attraversa più vasche di trattamento galvanico, e ogni singola vasca per il trattamento viene monitorata con oltre cinquanta variabili significative. Per poter analizzare tali dati si è ricorso pertanto a strumenti per l’analisi di Big data e all’utilizzo di tecniche di Machine learning.
Vale forse la pena di ricorda che il Machine learning è un sottoinsieme dell’intelligenza artificiale che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano. In particolare, all’interno di questo progetto sono stati implementati algoritmi di Machine learning non supervisionato, per l’individuazione di anomalie nel processo produttivo, basati su analisi multivariabile (Principal Component Analysis e Clustering). Le attività di ricerca e sviluppo stanno inoltre proseguendo con l’implementazione di algoritmi di Machine learning supervisionato, con l’obiettivo di addestrare degli algoritmi in grado di predire, già in fase di processo, se i pezzi di un singolo telaio presenteranno dei difetti oppure no. Questo ulteriore miglioramento sarà possibile grazie a tutta l’attività svolta di tracking e digitalizzazione del tipo di difetto e della posizione all’interno del telaio.
Infine, è importante sottolineare come una caratteristica peculiare degli algoritmi di Machine learning sia quella di migliorare l’accuratezza a mano a mano che aumentano i dati disponibili per l’apprendimento. Pertanto, l’accuratezza ad oggi raggiunta e l’efficacia del sistema sono destinate a migliorare con il passare del tempo.
Monitoraggio, tracciabilità, ottimizzazione: tutti i benefici ottenuti
Il progetto ha portato a numerosi benefici nella gestione del processo galvanico, tra cui:
- Monitoraggio real time di tutte le fasi: è possibile sapere infatti in che fase si trova uno specifico ordine;
- Tracciabilità completa di ogni singolo ordine: i dati di caricamento, di processo, di qualità sono associati al singolo ordine e marcati temporalmente;
- Digitalizzazione di tutte le informazioni: ogni informazione è reperibile in un datalake organizzato e accessibile, tramite query specifiche, non solo all’operatore ma anche a un software automatico di analisi dati;
- Analisi immediata delle cause di difetto: al presentarsi di un difetto in uscita, i dati relativi all’ordine specifico sono immediatamente consultabili dal database;
- Individuazione in real time di anomalie nel processo produttivo;
- Possibilità di analisi storiche e comparative sugli articoli prodotti: la struttura dati consente di agganciarsi a un software di analisi con cui effettuare comparazioni trasversali;
- Migliore accessibilità del know how da parte dei conduttori dell’impianto;
- Azioni di miglioramento del processo produttivo: tramite l’analisi dei dati è stato possibile discriminare variabili significative per il processo e intervenire su di esse per migliorare il processo stesso di deposizione galvanica.
Scarica le slides dell’evento di presentazione
