EMB_86

EMBEDDED 86 • NOVEMBRE • 2022 21 AI&ML | IN TEMPO REALE Le prestazioni di tali moderni sistemi di produzione dipendono in modo critico dal controllo ottimale del flusso di materiale attraverso le varie fasi di lavorazio- ne. I recenti progressi negli approcci di intelligenza artificiale possono essere applicati ai sistemi di pro- duzione, tra cui la modellazione del sistema e l’analisi delle prestazioni, nonché il controllo e il processo deci- sionale a livello di sistema ottimale. Nei sistemi di produzione la valutazione delle presta- zioni, la diagnosi e la prognosi in termini di produtti- vità, qualità ed efficienza, sono di grande importanza. Tuttavia, macchine inaffidabili e altri fattori impreve- dibili del ciclo produttivo rendono difficile modellare e analizzare il flusso di materiale nei sistemi di pro- duzione poiché sono eventi non lineari. L’analisi della produttività ha lo scopo di valutare la produttività a lungo o a breve termine dei sistemi di produzione, che potrebbe facilitare la progettazione del sistema, il mi- glioramento delle prestazioni e il funzionamento quo- tidiano dei sistemi di produzione. Numerose ricerche sono state dedicate all’analisi delle dinamiche e delle prestazioni dei sistemi di produzione. Tuttavia, i tradizionali metodi di modellazione anali- tica presentano alcuni notevoli svantaggi. Per questo motivo, l’adozione di tecniche di analisi dei dati e il Machine Learning (ML) sono un grande potenziale per compensare queste carenze. In primo luogo, i metodi analitici per la stima del throughput, esatti o approssimativi, sono limitati a semplici strutture di sistema sotto presupposti rigo- rosi. Per i sistemi più complessi, la simulazione risul- ta essere l’unico approccio praticabile per valutare le prestazioni del sistema a lungo termine. I metodi ML possono essere applicati per generalizzare i risulta- ti delle simulazioni, per evitare simulazioni ripetitive quando i parametri del sistema di produzione vengono modificati. Il modello e la rete neurale sono combinati per prevedere la produttività del sistema per una linea di produzione multi-prodotto, considerando i cicli di rilavorazione. Una rete neurale a singolo strato viene addestrata per prevedere il throughput dei sistemi di produzione multi-prodotto considerando i tempi di ci- clo stocastico. In secondo luogo, gli approcci convenzionali per il mi- glioramento del rendimento si concentrano principal- mente sull’analisi delle prestazioni in stato stazionario a lungo termine, che non sono applicabili alla previsio- ne del rendimento in tempo reale e al controllo della produzione. Inoltre, non sono in grado di sfruttare appieno le let- ture dei moderni ed evoluti sensori. Le prestazioni del sistema a breve termine, dedotte dagli stati della mac- china, si sono dimostrate utili nel controllo in tempo reale di sistemi di produzione complessi. Migliorare la produttività del sistema di produzione è un importante compito di gestione e di controllo del- la linea di produzione. In pratica, spesso si realizza individuando il collo di bottiglia della macchina e mi- gliorandone il funzionamento. I metodi basati sui dati per identificare i colli di bottiglia del throughput sono stati ampiamente analizzati, esempi sono: - lo sviluppo di un indice indiretto per identificare i colli di bottiglia della produzione; - il metodo basato sugli eventi per valutare la perdi- ta permanente di produzione; - è stato sviluppato un modello basato sui dati uti- lizzando i dati dei sensori disponibili e viene pro- posto un metodo diagnostico di sistema per iden- tificare i vincoli di produzione e i colli di bottiglia in tempo reale; - viene proposto un metodo di apprendimento sto- castico ponderato per prevedere le perdite di pro- duzione del sistema delle linee di produzione in serie. La figura 1 riporta la tendenza dell’intelligenza artifi- ciale nell’industria italiana. La qualità dei sistemi di produzione Le complesse interazioni tra i diversi processi nei si- stemi di produzione multistadio hanno presentato sfi- de significative per l’analisi della qualità a livello di sistema. Gli approcci classici basati sulle statistiche, ad esempio grafici di controllo e grafici di esecuzione, che si concentrano principalmente sull’assicurazione Fig. 1 – Tendenza dell’intelligenza artificiale nell’industria italiana (Fonte: Mipu.eu)