• Home
  • /
  • Blog
  • /
  • Standardizzare il processo per migliorare la qualità del prodotto con l’AI

Standardizzare il processo per migliorare la qualità del prodotto con l’AI



Ottimizzare, standardizzare e aumentare l’efficienza e la qualità dei processi di produzione, riducendo scarti, risorse ed energia. Non è utopia, ma un sistema di Intelligenza Artificiale che incontra i bisogni di business delle aziende produttrici di ogni settore.

Realizzare bobine di fibra ottica perfettamente funzionante richiede che in ogni impianto di produzione gli step siano pianificati e standardizzati per ottenere sempre lo stesso livello di qualità del prodotto, in ogni millimetro di fibra. E richiede che il processo ottimizzi le risorse materiali, riduca il rischio di errore umano o della macchina, e quindi il prodotto finale sia di qualità.
Il principale produttore di fibra ottica si è quindi rivolto a Moxoff per trovare una soluzione alla standardizzazione dei processi produttivi sulla base di KPI fondamentali e quindi cercare di sviluppare un sistema predittivo per ottimizzare tutti gli step produttivi, ridurre i costi e migliorare l’efficienza dei processi e delle risorse umane negli impianti di produzione.

Il problema

A settembre 2019, il team di Moxoff inizia a raccogliere dati sugli step del processo produttivo per diversi KPI in diversi stabilimenti distinti di fibra ottica dell’azienda: obiettivo è valutare la fattibilità di quanto richiesto dal cliente, realizzando due Proof of Concept (PoC) distinte in due stabilimenti di produzione diversi.
La raccolta dei dati e l’analisi della PoC si concentra fin da subito sul monitoraggio dei diversi step di produzione della fibra ottica con particolare attenzione ai diversi KPI monitorati nello stabilimento.
I dati a disposizione fanno riferimento ai diversi step produttivi che ogni fibra deve affrontare su diversi tipi di macchinari, e alle misurazioni che vengono effettuate su di essa.

Lo scenario

Il processo produttivo della fibra ottica è complesso e richiede diversi passaggi critici, diversi fondamentali KPI e diverse stazioni (macchine): ad esempio, le macchine che depositano la polvere di silicio su barra (Torri di deposizione), le macchine che estraggono la barra e creano la preforma (Torri di compattamento), le macchine che sottopongono la fibra a un test di strain e crea bobine (Macchina di proof test). Negli stabilimenti analizzati il processo produttivo è risultato a grandi linee equivalente, ma esistono differenze specie nella parte di consolidamento e deposizione.
Nonostante ci siano obiettivi di allineamento tra i KPI dei diversi impianti produttivi, sia la struttura dei dati, sia i processi, sia i KPI stessi non sono completamente uniformabili.

La soluzione Moxoff

Anche in una fabbrica ad alta tecnologia, i problemi di produzione possono essere ricondotti a quattro aree principali: uomini, macchine, metodi o materiali. In altre parole, un errore umano, un’anomalia della macchina, una procedura operativa difettosa o materie prime inadeguate possono portare a un prodotto fallace, non utilizzabile e non efficace.
Il modello di Predictive Quality realizzato da Moxoff su un modello che utilizza algoritmi statistici avanzati e il machine learning ha permesso di ridurre gli scarti di produzione eliminando le congetture diagnostiche al fine di ridurre le perdite di prodotto finale dovute a problemi di qualità e quindi raccomandare azioni correttive in tempi rapidi.

Il sistema intelligente per una produzione sostenibile ed ecologica

Uno strumento che gestisce enormi quantità di dati in modo rapido e efficace, correlando tutte le fasi del processo con grafici intuitivi, fornendo un’analisi statistica avanzata e una visione grafica di facile comprensione delle aree di processo e delle macchine che hanno un impatto diretto sui KPI. In questo modo, è possibile individuare relazioni di causa-effetto anche complesse tra le singole fasi produttive e i relativi KPI, identificando i macchinari che non funzionano correttamente e agendo tempestivamente per trovare una soluzione, lavorando per poter prevedere e suggerire automaticamente le azioni correttive da mettere in atto in futuro.

In sintesi, aiuta a:

  1.  Prevedere i problemi anziché reagire ad essi, supportando il team di ingegneri nel controllo dei processi e nel rilevare le anomalie
  2.  Ridurre il tempo necessario per prendere decisioni o implementare soluzioni grazie alle nuove conoscenze sull’analisi delle cause profonde. I dati vengono forniti entro il giorno successivo, permettendo sia di prendere decisioni per la nuova giornata di produzione, sia di elaborarle con il team senza dover intervenire in tempo reale, prendendosi il tempo di rifletterci
  3. Ottimizzare la gestione delle operazioni rendendo il processo più efficiente attraverso una dashboard di sistema intuitiva.

In questo modo, tutto il processo produttivo diventa efficiente non solo dal punto di vista economico, favorendo la riduzione dei costi e degli scarti di produzione, anche dal punto di vista ecologico, migliorando l’impatto e le prestazioni di sostenibilità dell’impianto. Infatti, agire tempestivamente in caso di malfunzionamento significa ridurre la produzione di prodotti fuori specifica, minimizzare l’uso di materie prime ed energia, mantenere la produzione agile ed evitare lo spreco di risorse preziose.

Contattaci per ricevere ulteriori informazioni