Mixer

Con processi produttivi lunghi e lotti di produzione molto grandi, la sfida in Mixer sta nel ridurre al minimo gli scarti di produzione.

Si è quindi sentita l’esigenza di un applicativo software che permettesse il monitoraggio, il controllo e la predizione della qualità del prodotto finito, oltre ad altri parametri di efficienza e produttività dell’impianto stesso, al fine di:

• Intercettare derive di produzione in corso d’opera, per correggere tempestivamente il processo produttivo;
• ridurre gli scarti ed ottimizzare la resa (con evidenti ricadute positive sulla produttività complessiva).

A seguito di una prima fase esplorativa dei dati trasmessi dai macchinari e storicizzati su sistemi esistenti, si è proceduto ad una importante fase di pulizia e preprocessing. Le anomalie identificate hanno infatti richiesto correttivi importanti, grazie ai quali abbiamo garantito, fra l’altro, la congruenza delle informazioni registrate in ciascuno step produttivo (passaggio indispensabile per procedere alla modellizzazione con la PCA).

I dati ripuliti e riorganizzati sono stati raccolti in un database relazionale  sviluppato in modo da poter modellare la struttura, le entità e le relazioni necessari a salvare, in seguito, i dati ed i modelli di produzione. 

Questa fase del progetto ha consentito così di avere una visione organica e organizzata dei dati di produzione

In questa seconda fase, l’inserimento di tecniche di  MSPC (Multivariate Statistical Process Control) on top del loro sistema MES (Manufacturing Execution System) ha permesso di estrarre i parametri di efficienza e produttività dell’impianto, migliorando profondamente il controllo dell’intero processo produttivo, sia in chiave descrittiva che predittiva.

Il controllo viene eseguito tramite analisi delle componenti principali dei dati (PCA), presentata come: 

• carte di controllo multivariate (che permettono di individuare eventuali errori negli scarichi dei dati con focus sui tag che hanno contribuito agli errori stessi, isolando quelli maggiormente responsabili); 
• analisi degli scores e dei loadings (con cui monitorare il trend delle componenti principali o il loro scatter plot, distinguendo il comportamento dei singoli scarichi e dei tag che lo hanno determinato).

A monte dell’analisi delle componenti principali, viene generato un report tecnico di diagnostica ODP (Ordine di Produzione). Questo passaggio, volto a verificare la qualità e la consistenza dei dati, condizione necessaria per la corretta esecuzione dei successivi task di creazione dei modelli e validità degli stessi. 

Per consentire non solo un controllo di processo ex-post ma anche l’opportunità di intervenire in tempo reale sulla produzione è stato implementato un modulo in grado di proiettare ogni 5 minuti i dati di produzione su modelli di riferimento.

Questo approccio consente di prevenire errori che potrebbero portare a derive dai livelli di qualità richiesti.

L’applicativo software sviluppato permette infatti non solo di di monitorare  l’intero processo produttivo ma anche di creare:

• un modello alla fine di ogni ciclo di produzione (chiusura ODP); 
• un modello per ogni scarico di prodotto (chiusura scarico).

La proiezione in near-real time dei dati di produzione su questi modelli di riferimento, calcolati con tecniche di machine learning, consentono di intercettare e correggere eventuali derive di produzione in corso d’opera. 

La selezione del modello di riferimento per ogni ODP viene fatta attraverso indici non solo di affinità di prodotto ma anche di qualità del modello stesso, consentendo al sistema di garantire predizioni sempre più efficaci.