Machine Learning per la qualità nell'industria 4.0 = Machine Learning for quality in industry 4.0

L’utilizzo di tecnologie Cloud Computing per abilitare la raccolta in tempo reale dei dati di produzione e la loro analisi tramite Big Data, così come l’uso di tecnologie intelligenti come il Machine Learning e l’Intelligenza Artificiale, sta cambiando il modo con cui i produttori e i fornitori parlano di Qualità. Nonostante i recenti progressi, il ritardo è ancora importante per molte aziende italiane, dove parlare di Quality 4.0 appare ancora una scelta azzardata, ma dove le basi per uno sviluppo in questa direzione si possono chiaramente intravedere. La realtà produttiva torinese di SEWS-CABIND rappresenta un business case esemplare, dove lo studio qualitativo di uno dei processi produttivi core ha reso possibile constatare lo status quo, per poi identificarne gli auspicabili sviluppi futuri. L’obiettivo è stato dimostrare che attraverso l’adozione di tecniche di Machine Learning e Deep Learning è possibile ottimizzare il processo di controllo qualità effettuato giornalmente negli stabilimenti SEWS-CABIND sulla produzione di cablaggi con saldatura ad ultrasuoni. Nell’elaborazione dell’analisi empirica ci si è serviti di due algoritmi: l’algoritmo di classificazione noto come Random Forest, a cui ha fatto seguito uno studio del data set attraverso la costruzione di una rete neurale artificiale (ANN) multistrato di tipo feed-forward. SEWS-CABIND, come centinaia di realtà aziendali italiane, racchiude in sé enormi potenziai di crescita, dove l’approccio Qualità 4.0 è destinato a fornire un’accelerazione lungo tutta la catena del valore. Eventuali sviluppi futuri guardano al tema della manutenzione predittiva, dove l’applicazione di analizzatori di frequenza alle macchine saldatrici, di concerto con algoritmi appositamente implementati, potrebbero produrre real-time feedback sullo stato di salute della macchina e prevederne così eventuali guasti futuri, andando a sostituirsi alle attuali logiche prettamente manuali e non preventive.