Progettazione e sviluppo di una metodologia semi-supervisionata per caratterizzare i cicli di produzione nel contesto dell’Industria 4.0 = Design and development of a semi-supervised methodology to characterize production cycles in the context of Industry 4.0

Nell’era dell’Industria 4.0 si assiste ad un processo di trasformazione digitale che ha permesso di realizzare un ambiente manifatturiero sempre più connesso, integrando dati, persone, sistemi e risorse industriali. Alla base delle innovazioni tecnologiche portanti di questa rivoluzione vi è il sistema cyber-fisico il quale, poichè mette in comunicazione le diverse parti di uno stabilimento, rappresenta il ponte che collega ambiente fisico e digitale. L’interconnessione è realizzata mediante sensori posizionati sulle macchine, grazie ai quali si raccoglie un’enorme quantità di dati che, per la loro dimensione ed eterogeneità, vengono definiti Big Data. Una delle applicazioni principali dei Big Data nel contesto dell’Industria 4.0 è la manutenzione predittiva. Grazie al monitoraggio continuo di macchinari e attrezzature, la strategia di manutenzione predittiva permette di effettuare gli interventi in base alle reali condizioni dei macchinari: ciò consente di supportare il processo di decision making, aumentare la produttività e ridurre gli sprechi. Le analisi esposte in questo elaborato sono realizzate sulla base di dati della corrente assorbita dal motore di un braccio robotico in ciascun ciclo di produzione. L’obiettivo delle analisi è offrire un supporto all’attività di manutenzione, monitorando e prevedendo il corretto livello di tensione della cinghia di trasmissione del motore. I dati contenuti in ciascun ciclo di produzione sono forniti da un’azienda italiana leader nel settore metalmeccanico. Nell’elaborato viene presentata una metodologia semi-supervisionata per etichettare correttamente i cicli di lavorazione del robot in questione. Dopo aver preparato opportunamente i dati, sono applicati tre diversi algoritmi di Clustering. Inizialmente si selezionano i migliori parametri di input per ciascuna tecnica utilizzando dei metodi che sfruttano l’analisi della distribuzione dei dati; in seguito, si validano i risultati ottenuti confrontandoli con le etichette reali di appartenenza di ciascun ciclo di produzione.