Case Histories
Previsione qualità, food & beverage
Task
Analisi dati
Predictive quality
Anomaly detection
Settore
Food and beverage
OEM original equipment manufacturer
Tecnologie
Machine Learning
Tecniche di regressione
Problema
Predire l’umidità del prodotto (pasta per uso alimentare) a fine produzione avendo a disposizione solo i parametri in input alla macchina.
Situazione iniziale
Pur disponendo di macchine sensorizzate, il cliente doveva aspettare la fine dell’intero ciclo produttivo (3-4 ore) prima di compiere rilevazioni attendibili sul prodotto, col rischio di sprecare tempo, energia e materie prime.
Non è infatti possibile mettere in commercio pasta con tasso di umidità superiore al 12%, ma ad oggi non sono disponibili metodi o sensori attendibili che consentano di monitorarne l’andamento durante la produzione stessa.
Inoltre non erano note tutte le correlazioni presenti tra i dati di produzione e pertanto alcuni di essi venivano registrati senza avere un effettivo impatto sulla produzione stessa.
Soluzione messa in campo
É stato sviluppato un sistema in grado di individuare le variabili rilevanti tra le diverse centinaia raccolte e di usarle all’interno di un modello di regressione per predire il grado finale di umidità della prodotto direttamente durante la produzione, senza aspettare il completamento del ciclo di lavorazione.
Le previsioni possono essere utilizzate per agire direttamente sui settaggi dei macchinari al fine di ottimizzare la qualità finale del prodotto.
Risultati raggiunti
Il sistema è in fase di test presso il cliente.
Attraverso la soluzione sarà possibile ottenere un consistente abbattimento della quantità di scarto prodotto, che si traduce in una riduzione dei tempi di produzione inutili (circa 3 ore di tempo “salvate” per ogni lotto potenzialmente da scartare) e dei costi legati al consumo di energia e di materia prima.
Sviluppi in corso
Il cliente ha deciso di sensorizzare altre aree della linea e di applicare ulteriori modelli di anomaly detection sui dati rilevati che verranno gestiti attraverso invariant.ai, in modo da tenerli sotto controllo real-time e prevedere eventuali derive nel giudizio.