EMB_82

EMBEDDED 82 • NOVEMBRE • 2021 62 SOFTWARE | AI&MV re viene eseguito mediante ispezioni manuali. Poiché è impossibile ispezionare manualmente 1.000 automobili al giorno, Audi ha adottato il metodo di campionamento standard di settore, che prevede l’estrazione quotidia- na di una vettura dalla linea di produzione, l’utilizzo di sonde a ultrasuoni per verificare i punti di saldatura e la registrazione della qualità di ogni punto. La campiona- tura è un’attività costosa, che richiede manodopera ed è soggetta a errori. L’obiettivo era quindi quello di ispezio- nare 5.000 saldature per auto, direttamente nella linea di produzione, elaborando i dati di ogni saldatura in mi- crosecondi. Allo scopo, è stato elaborato un algoritmo di apprendi- mento automatico, addestrato all’accuratezza tramite il confronto tra le previsioni che esso stesso genera e i dati effettivi delle ispezioni forniti da Audi. Il modello di ap- prendimento automatico utilizza i dati generati dai con- troller delle saldature, che mostrano la tensione elettrica e le curve di corrente durante il processo di saldatura. I dati includono anche altri parametri, come la configura- zione delle saldature, i tipi di metallo e l’integrità degli elettrodi. I modelli sono stati quindi implementati a due livelli, prima sulla linea stessa e poi sulla cella. Il risul- tato? Sistemi capaci di prevedere la bassa qualità delle saldature prima ancora della loro esecuzione, il che si traduce in un netto innalzamento del livello di qualità. Bosch: trasformazione digitale Bosch , un altro protagonista di spicco nel settore auto- motive, sta adottando un approccio simile. Grazie alla collaborazione con Lynx Software Technologies , Bosch VHIT, la consociata Bosch specializzata in pompe a de- pressione e dell’olio, sta testando il proof-of-concept di un nuovo programma di qualità basato su telecamere da utilizzare nei processi decisionali in tempo reale negli ambienti industriali. La proposta rientra nella strategia di trasformazione digitale adottata da Bosch VHIT, che riguarda sia i processi sia lo sviluppo dei prodotti. Il pro- gramma acquisisce i dati dalle telecamere installate nei locali dello stabilimento e all’interno dei depositi logistici; avvalendosi di algoritmi di machine learning, riesce a in- dividuare eventuali problemi di qualità e a segnalare le anomalie al sistema di controllo della produzione (MES), per consentire di giungere alla decisione ottimale in tem- po reale. Una volta connesso al cloud, in totale sicurezza, il sistema dispone di libero accesso ai più avanzati algo- ritmi di intelligenza artificiale e a pacchetti di analisi dei dati. Fig. 2 – La struttura “mission-critical edge”