Con le reti neurali artificiali le macchine pensano in autonomia

Le macchine possono pensare come l’essere umano. E svolgere alcune funzioni legate al controllo qualitativo in azienda. Lo fanno attraverso l’implementazione di reti neurali artificiali, modelli di calcolo matematico composti da neuroni artificiali che si ispirano alle reti neurali biologiche: sono utilizzate per risolvere problemi ingegneristici nell’ambito dell’Intelligenza Artificiale (AI) e del Machine learning e lo scopo è quello di insegnare alle macchine a pensare in modo autonomo. Nel contesto della trasformazione digitale rientrano a pieno titolo nell’ambito dell’innovazione e della diffusione delle nuove tecnologie.

Sulla base dell’implementazione delle reti neurali artificiali, Everel, azienda attiva nella produzione e fornitura di componentistica elettronica ed elettromeccanica per imprese di elettrodomestici e case automobilistiche, sta sviluppando una struttura di innovazione interna che sarà la linea guida dell’azienda per ripensare la produzione del futuro. L’ha illustrata Paolo Carasi, Plant Manager di Everel, durante la tappa di Brescia del convegno FabbricaFuturo dell’1 luglio 2021, promosso dalla casa editrice ESTE, di cui Parole di Management è stato Media Partner: “Stiamo implementando le reti neurali nel nostro processo produttivo, in particolare applicate alla visione, attraverso l’utilizzo della semantica dell’immagine per automatizzare la valutazione di aspetti qualitativi non oggettivi nel collaudo di prodotti industriali. Si tratta, dunque, di automatizzare la soggettività tramite il Machine learning”.

CLICCA QUI PER VISUALIZZARE IL VIDEO DELL’INTERVENTO DI EVEREL ALLA TAPPA DI BRESCIA DI FABBRICAFUTURO

Controllo qualitativo e individuazione di difetti

In particolare, nell’assemblaggio di prodotti, tramite le reti neurali si affrontano aspetti di controllo qualitativo che sono legati a parametri non deterministici – concetti qualitativi, non legati a parametri numerici e di misura ‒ attraverso l’utilizzo dell’AI. “L’AI fa una valutazione semantica del problema, individuando eventuali difetti del prodotto. Si decide di migliorare il processo con l’obiettivo di ridurre lo scarto, aumentare la certezza di ‘vero buono’ e aumentare i failure mode identificabili”, ha continuato Carasi.

Everel ha implementato tre tool di AI: localizzazione della zona di interesse; analisi della zona; infine, una seconda fase di localizzazione, che verifica il corretto layout del componente. “Si addestra la macchina a localizzare la zona interessata e poi l’analisi permette di verificare la conformità del modello. Tramite una valutazione semantica se ne identifica la qualità”, ha spiegato Carasi. Il concetto principale è che la rete neurale, una volta addestrata, poi è in grado di lavorare da sola.

I vantaggi dell’utilizzo dell’AI in questo ambito sono molteplici tra cui: un investimento minore; nessuna necessità di ri-certificazione; minore sensibilità a geometrie e tolleranze; alta affidabilità della detection con tempi ragionevoli di addestramento della rete neurale; detection di ulteriori failure mode; alta adattabilità alla modifica del prodotto.

L’AI per individuare i difetti qualitativi sulla linea

Nel concreto, l’azienda ha implementato un sistema di visione alla linea di macchine Pellizzari, con lo scopo di individuare i difetti, valutare e qualificare ogni selettore rotativo prodotto su due linee di assemblaggio separate. “Il sistema di valutazione è stato inserito all’interno di una cella robotizzata per controllare la logistica di ingresso e uscita della linea di assemblaggio; una piattaforma consente di effettuare in maniera ottimale e indipendente i vari spostamenti di selettori all’interno dell’isola robotizzata. Si è valutata la conformità di ogni selettore sulla base di parametri non deterministici, individuando la presenza di potenziali difetti”, ha spiegato Carasi. “Il tutto è interconnesso bidirezionalmente con il Manufacturing execution system (MES) di fabbrica in ottica 4.0 e permette dunque una valutazione run time dello stato di avanzamento della produzione”.

Carasi ha rivelato che l’obiettivo è quello di estendere le reti neurali anche ad ambiti diversi dall’azienda. “Nel collaudo di prodotti industriali, altri progetti che utilizzano la semantica di immagine per la valutazione qualitativa non oggettiva riguardano, per esempio, la valutazione della correttezza e della completezza delle marcature termo-incise sui tasti dei dispositivi di interruzione; oppure, nella valutazione qualitativa dello stampaggio plastico”.

Federica Biffi

Laureata magistrale in Comunicazione, Informazione, editoria, classe di laurea in Informazione e sistemi editoriali, Federica Biffi ha seguito corsi di storytelling, scrittura, narrazione. È appassionata di cinema e si interessa a tematiche riguardanti la sostenibilità, l’uguaglianza, l’inclusion e la diversity, anche in ambito digital e social, contribuendo a contenuti in siti web.
Ha lavorato nell’ambito della comunicazione e collabora con la casa editrice ESTE come editor e redattrice.