Blog

Artificial Intelligence
Industria 4.0 Innovazione Intelligenza Artificiale Six Sigma

Intelligenza Artificiale e Monitoraggio della produzione in tempo reale

Il monitoraggio della produzione è sempre stato uno dei requisiti chiave per garantire il soddisfacimento delle KPI nelle aziende manifatturiere. Quando si parla di KPI in ambito produttivo, si fa riferimento sostanzialmente alle metriche legate a 3 aspetti:

  • Produttività: la produttività può essere misurata in diverse forme. Spesso, si fa riferimento all’efficienza produttiva con il termine OEE (Overall Effectiveness Efficiency), ovvero la misura del livello di utilizzo di un asset produttivo. Altresì, più semplicemente la produttività può essere misurata in termini di particolari prodotti per unità di tempo;
  • Tempi di consegna: il tempo richiesto per produrre un prodotto, dal prelievo a magazzino alla spedizione. In questo caso vengono presi in considerazione metriche come il lead time, ovvero il tempo di attraversamento, o il takt time, ovvero la cadenza della linea produttivi necessaria al soddisfacimento delle consegne. In entrambi i casi, è possibile suddividere tali tempi in tempi ciclo (tempo richiesto per una singola operazione) e tempo di set up richiesto per riattrezzare un macchinario o un’area di lavoro;
  • Qualità del prodotto: spesso si utilizzano metriche di tipo statistico come la process capability, in termini di Cp e Cpk, oppure dpu (difetti per unità) o numero / costo degli scarti.

Tutte queste metriche impattano sostanzialmente sul concetto di valore per il cliente, ovvero su quello che il cliente si aspetta dal fornitore sulla base del prezzo pagato.

È chiaro quindi come questi tre aspetti impattino sinergicamente sul valore della merce prodotta.
In questo post verrà descritta quale sia l’importanza di implementare un sistema di monitoraggio in grado di verificare costantemente il rispetto delle KPI all’interno di un sistema produttivo. Tale sistema dovrà inoltre essere capace di identificare le attività ritenute a valore aggiunto e segnalare invece quelle attività ritenute a non valore aggiunto, ovvero che non portano ad un beneficio per il cliente finale.

Successivamente, discuteremo dell’importanza di implementare un sistema di questo tipo in tempo reale: infatti, le tempistiche giocano spesso un ruolo fondamentale nella gestione delle KPI e anche solo il ritardo di qualche minuto delle azioni correttive potrebbe comportare dei costi aggiuntivi da parte del produttore. Infine, discuteremo con maggiore dettaglio come alcune nuove tecnologie, e in particolare soluzioni basate sull’Intelligenza Artificiale possano essere sfruttate per il monitoraggio delle dei processi produttivi.

Perchè abbiamo bisogno di un sistema di monitoraggio della produzione

Per creare maggiore valore per il cliente è necessario garantire che la produzione avvenga in modo ripetitivo sulla base degli standard aziendali. Per garantire una maggiore produttività delle celle di produzione, è importante che le attività seguano delle procedure operative standard (POS).

Le procedure operative standard garantiscono che le attività si susseguano in maniera ripetitiva sulla base della migliore metodologia progettata, nel concreto una sequenza di operazioni e attività utilizzando gli strumenti più opportuni per realizzare le operazioni richieste nel minore tempo e con la migliore qualità possibile. Per assicurarsi che le operazioni avvengano secondo le procedure operative standard, quindi, occorre monitorarne il rispetto.

Un altro esempio che ci fa capire l’importanza dell’implementazione di un sistema di monitoraggio costante delle operazioni fa riferimento al rispetto dei requisiti di qualità su base statistica. In questo senso, la metodologia per eccellenza è il Six Sigma. Tale metodologia venne sviluppata negli anni ’80 negli Stati Uniti, in Motorola, sulla base degli insegnamenti raccolti nel corso dei decenni dai cosiddetti padri della qualità, da Edward Deming a Joseph Juran. Molto semplicemente, il Six Sigma si basa sull’utilizzo della raccolta dati per sfruttare al massimo le potenzialità della statistica inferenziale, grazie alla quale è possibile monitorare e predire il comportamento di una popolazione sulla base dei dati di un campione statisticamente significativo. Senza entrare troppo nei dettagli, tale metodologia di miglioramento continuo si articola sostanzialmente in 5 fasi distinte, denominate con l’acronimo DMAIC:

  • DEFINE: implica la fase iniziale del progetto, la raccolta dei requisiti e degli obiettivi da raggiungere
  • MEASURE: implica sostanzialmente la raccolta dati per analizzare il processo da un punto di vista squisitamente quantitativo e avere quindi un punto di partenza da cui partire per effettuare tutte le analisi successive
  • ANALYZE: implica l’analisi dei dati raccolti nella fase precedente, al fine di identificare le cause principali del problema e delle possibili soluzioni
  • IMPROVE: implica la verifica su base statistica della bontà delle soluzioni identificate, al fine di garantire dal punto di vista quantitativo che non si tratti di un evento fortuito sul breve periodo, ma che la soluzione porterà i benefici attesi anche sui medio-lungo periodo
  • CONTROL: l’ultima fase implica sostanzialmente il controllo delle azioni di miglioramento introdotte attraverso l’utilizzo delle carte di controllo al fine di garantire la stabilità e il controllo di processo, appunto.

È importante notare quindi come l’implementazione di un sistema di monitoraggio, l’ultima delle 5 fasi DMAIC, rappresenti una fase fondamentale per garantire il rispetto dei requisiti di qualità del prodotto finale e del processo produttivo associato.

Attività a valore aggiunto e non a valore aggiunto

I sistemi di monitoraggio della produzione rappresentano sostanzialmente dei sistemi di raccolta dati, che una volta analizzati possono fornirci informazioni essenziali per l’ottimizzazione del sistema produttivo.

Una di queste informazioni essenziali è l’identificazione delle attività a valore aggiunto e di quelle a non valore aggiunto. Vediamo un po’ più nel dettaglio che cosa significa.

Per attività a valore aggiunto s’intendono tutte quelle azioni che aggiungono valore al prodotto. Ad esempio, rientrano in questa categoria tutte le attività che trasformano il prodotto durante l’intero ciclo produttivo, come ad esempio le lavorazioni per asportazione di truciolo, la manifattura additiva, le operazioni di assemblaggio o i trattamenti termici e superficiali. È chiaro che l’ideale sarebbe quello di avere solo operazioni di questo tipo all’interno dei propri processi e di focalizzarsi solo sul loro miglioramento.

Tuttavia in realtà occorre dare priorità all’eliminazione delle attività senza valore aggiunto. In questo caso, occorre distinguere due sottocategorie:

  • attività non a valore aggiunto ma necessarie: ossia tutte quelle azioni che non aggiungono valore al prodotto ma che tuttavia sono ritenute necessarie;
  • attività a non valore aggiunto e non necessarie: rientrano in questa categoria tutte le altre operazioni.

Per quanto riguarda la prima sottocategoria, possiamo considerare ad esempio molti controlli di processo che sono richiesti dal cliente o dagli standard internazionali o di settore: anche se non aggiungono valore direttamente al prodotto, sono tuttavia necessarie da mantenere. In questo caso quindi non si possono eliminare, tuttavia occorre elaborare una nuova modalità per far sì che minimizzino gli sprechi oppure che siano inglobabili con attività a valore aggiunto.

Per quanto riguarda la seconda sottocategoria, l’unica azione possibile è l’eliminazione totale in quanto risultano a tuti gli effetti uno spreco. Rientrano in questa categoria quindi tutte le attività considerate spreco, o Muda, secondo la terminologia giapponese utilizzata in ambito Lean Manufacturing.

Sistema di monitoraggio in tempo reale

Una delle funzioni principali dei sistemi di monitoraggio della produzione è quella di identificare il comportamento del sistema produttivo e quindi individuare quali sono le attività a valore aggiunto e quelle non a valore aggiunto che abbiamo descritto in precedenza. Come anticipato, un sistema di questo tipo comporta un dispendio di risorse non trascurabile.

Per questo, tali attività di monitoraggio vengono effettuate dagli ingegneri e dagli addetti alla produzione in maniera saltuaria. Ad esempio, uno degli strumenti utilizzati per il monitoraggio dei flussi è la Spaghetti Chart, nel quale viene mappato e tracciato il percorso dei lotti di produzione per verificare la presenza di eventuali inefficienze all’interno del flusso produttivo. Oppure, la metodologia SMED viene utilizzata per monitorare le attività di setup degli asset industriali al fine di eliminare gli sprechi e ottimizzare le attività a valore aggiunto. In questo modo, si possono produrre procedure operative standard che devono essere seguite passo-passo dagli operatori per garantire il soddisfacimento delle KPI del processo.

Tuttavia, come essere sicuri che i processi performino sempre in maniera ripetitiva? Per questo, diventa necessario implementare sistemi di monitoraggio in tempo reale che permettano di tenere sotto controllo il processo produttivo in ogni istante. In questo modo, diventa possibile reagire ad eventuali anomalie in maniera tempestiva, onde evitare che il difetto si propaghi a valle dei processi, aumentando in maniera esponenziale la probabilità di maggiori scarti.

Ad oggi esistono diverse soluzioni di natura tecnologica in grado di aiutare gli addetti ai processi nell’attività di monitoraggio della produzione.
Ad esempio, i sistemi RTLS (Real Time Locating Systems) sono in grado di monitorare in tempo reale la posizione degli asset in movimento, tipicamente i lotti di produzione. In questa maniera diventa possibile sapere in maniera puntuale il flusso che ogni lotto segue all’interno della propria fabbrica o del fornitore, sapere esattamente il tempo ciclo o se i particolari eseguono operazioni fuori ciclo. Tale tecnologia inoltre permette di monitorare la posizione del personale di fabbrica in modo da migliorare, ad esempio, il layout della postazione di lavoro in modo da ridurre al minimo I cambi di posizione all’interno di una cella.

Un’altra tecnologia che permette il monitoraggio in tempo reale del sistema produttivo è l’utilizzo di sistemi di visione artificiale, ovvero telecamere, in grado di elaborare le immagini acquisite mediante algoritmi di Intelligenza Artificiale.

Come utilizzare l'Intelligenza Artificiale nel monitoraggio dei processi

Quando si parla di Intelligenza Artificiale si tende a fare riferimento in maniera generica allo sviluppo di algoritmi complessi in grado di effettuare operazioni che si avvicinano alle abilità umane. Infatti, l’intelligenza artificiale (AI) è l’abilità di una macchina di mostrare capacità umane quali il ragionamento, l’apprendimento, la pianificazione e la creatività.

L’intelligenza artificiale permette ai sistemi di capire il proprio ambiente, mettersi in relazione con quello che percepisce e risolvere problemi, e agire verso un obiettivo specifico. Il computer riceve i dati (già preparati o raccolti tramite sensori, come una videocamera), li processa e risponde.

Una delle applicazioni principali dell’Intelligenza Artificiale è quella che viene chiamata visione artificiale. In sostanza, come il cervello umano è in grado di elaborare le informazioni e di prendere decisioni sulla base delle informazioni ricevute dagli occhi, ovvero il sensore di visione del corpo umano, allo stesso modo l’intelligenza artificiale è in grado di elaborare le informazioni ricevute da una telecamera e di fornire di conseguenza degli input sulla base di esse.

Mediante l’intelligenza artificiale e l’utilizzo di telecamere, quindi, siamo in grado di monitorare in tempo reale i processi industriali che si trovano nel campo di vista di una o più telecamere.

Entrando ancora più nel merito della questione, un sistema di questo genere sarà in grado di monitorare in tempo reale e con estrema accuratezza e flessibilità una serie di attività all’interno dei processi produttivi che solo la presenza di personale formato è in grado di fare, con tutti i costi annessi. Alcuni esempi in questo senso sono:

  • Monitoraggio dei movimenti del personale in fase di setup: è possibile analizzare le immagini identificando quali sono le operazioni a non valore aggiunto che vengono eseguite. Quindi, tramite l’intelligenza artificiale, è possibile segnalare ogni volta che un’operazione viene eseguita fuori standard. Questa funzionalità può essere altresì utilizzata in fase di training, per aiutare i lavoratori ad eseguire le procedure operative standard e quindi ridurre notevolmente la curva di apprendimento
  • Monitoraggio dei colli di bottiglia: quando I lotti tendono ad accumularsi in una certa zona in maniera non prevista, significa che si sta creando un collo di bottiglia e che devono essere intraprese azioni immediate. Tuttavia, spesso possono passare ore o giorni prima che qualcuno segnali il problema. L’Intelligenza Artificiale è in grado di valutare quando l’accumulo raggiunge una certa soglia.
  • Monitoraggio dei flussi produttivi: quando un lotto esegue delle lavorazioni fuori flusso o rimane in una posizione per troppo tempo, è possibile segnalare l’anomalia in maniera tempestiva
  • Monitoraggio delle operazioni manuali: all’interno di una cella produttiva esistono molte opportunità di spreco, soprattutto in termini di movimenti in eccesso o non richiesti.L’intelligenza artificiale può monitorare e rilevare tali movimenti e segnalarli al personale addetto.

Queste sono solo alcune delle applicazioni che i sistemi di visione artificiale sono in grado di effettuare in tempo reale. Un altro vantaggio di questi sistemi è il costo. Infatti, dal punto di vista hardware è richiesto semplicemente l’installazione di telecamere dal costo di qualche centinaio di dollari, mentre la spesa principale riguarda lo sviluppo dell’algoritmo di monitoraggio. Tuttavia, anche in questo caso il costo è accessibile anche alle piccole-medie imprese, anche in virtù del fatto che si tratta di un costo una tantum. Di conseguenza, allo stato dell’arte gli esempi in circolazione mostrano ROI estremamente interessanti e periodi di payback dell’ordine di mesi, a seconda delle applicazioni e dei margini di miglioramento.

Nicola Accialini

Hi there! I am Nicola, founder and admin of SkillS4i. Aerospace Engineer, technology enthusiast and industrial expert. I live in Spain and I like travelling, cycling, hiking and reading.

Iscriviti
Notificami
guest
0 Comments
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x