L’esigenza
Uno dei principali fornitori di sistemi di trasmissione completamente integrati e di propulsione elettrificata per tutti i veicoli passeggeri, deve affrontare la sfida di:
• rispettare criteri specifici di qualità del prodotto sempre più severi;
• comprendere le cause dell'aumento dei livelli di scarto;
• anticipare i problemi in un'ottica di Qualità Predittiva;
• preparare tempestivamente una rapida risoluzione.
La soluzione
L'obiettivo è la produzione di anelli sincronizzati nello stabilimento specializzato in componenti meccanici per il mercato automobilistico.
La metodologia di Machine Learning, in particolare gli algoritmi di classificazione, identifica i fattori generativi degli elementi di scarto nella catena di produzione, monitorando caratteristiche specifiche.
Seguendo fasi predefinite, quali la selezione delle caratteristiche, la correlazione di Pearson, la classificazione e l'addestramento del modello, l'algoritmo implementato impara a classificare le osservazioni a partire da un insieme di dati storici precedentemente etichettati e non analizzati in un output predefinito.
I dati raccolti vengono utilizzati anche per compilare un cruscotto di Business Intelligence in tempo quasi reale contenente alcuni utili indicatori di performance del processo.
I benefici
Per ogni specifico caso d'uso l'algoritmo di ML più adatto raggiunge l'obiettivo finale valutando KPI quali: Precisione, Richiamo, F-Measure, Accuratezza.
La qualità predittiva all'interno del processo produttivo riduce i presunti sprechi, con conseguente recupero dei pezzi prodotti e maggiori ricavi.
L'analisi basata sul machine learning ha evidenziato modelli nascosti e ha contribuito ad aprire la strada per nuove azioni correttive
Lorenzo Macchi
Global BU Manufacturing General Manager