L’esperienza incontra la tecnologia: la produzione di Simmerring® a Weinheim è lo scenario di un progetto di ricerca sull’intelligenza artificiale.
Compatto
Un progetto di ricerca per migliorare i processi industriali utilizzando l’intelligenza artificiale (AI) è in corso presso la produzione di Simmerring® a Weinheim.
Il progetto mira a utilizzare l’intelligenza artificiale per prevedere le proprietà qualitative dei componenti in elastomero stampati a iniezione e ottimizzare i processi di produzione. L’obiettivo è ridurre gli scarti e aumentare l’efficienza.
Gli approcci tradizionali all’intelligenza artificiale richiedono grandi quantità di dati. Tuttavia, il metodo qui utilizzato incorpora le correlazioni fisiche e l’esperienza dei colleghi per ridurre i dati di addestramento e i tempi di sviluppo necessari.
La ricerca è stata estesa a diversi tipi di macchine e articoli, al fine di trasferire le conoscenze al maggior numero possibile di articoli e garantire al contempo la qualità del prodotto.
Das Projekt hat zudem die Zusammenarbeit mit anderen Freudenberg-Standorten, darunter Kufstein und Freudenberg Home and Cleaning Solutions in Italien, initiiert, um KI-Lösungen zu übertragen und zu skalieren.
Alexander Olbrich lavora da anni su come migliorare i processi industriali con l’aiuto dell’intelligenza artificiale (AI). Come dottorando presso l’Istituto tedesco di tecnologia della gomma, lavora per la funzione aziendale Freudenberg Technology Innovation (FTI). Ha condotto numerosi esperimenti nel centro tecnico come parte della sua tesi di laurea. “Il mio obiettivo era quello di trasferire i miei risultati a specifici prodotti Freudenberg. Per ottenere una buona comprensione dei processi, era particolarmente importante per me essere sul posto. Volevo conoscere nel dettaglio il processo produttivo e cercare un dialogo stretto con colleghi esperti che lavorano ogni giorno sui sistemi e hanno una conoscenza pratica approfondita”. È così che descrive le ragioni per cui, circa un anno fa, ha trasferito temporaneamente il suo centro operativo nello stabilimento di produzione Simmerring® di Weinheim.
Sarang Etemadi, responsabile delle operazioni della divisione Dynamic Sealing di Weinheim, ha sostenuto questo progetto. “Non lo facciamo perché l’IA è la parola d’ordine sulla bocca di tutti, ma perché crediamo che l’IA abbia un potenziale economico. L’IA deve aiutare i nostri dipendenti nella produzione. Per questo motivo, siamo stati lieti di offrire ad Alexander Olbrich una piattaforma di innovazione nell’ambito del suo progetto di ricerca sull’IA. È una situazione vantaggiosa per tutti che ci aiuta a gestire ancora meglio la diversità e la complessità dei nostri processi”, riferisce.
Prevedere le proprietà, ottimizzare i processi
Come si possono prevedere le proprietà qualitative dei componenti in elastomero stampati a iniezione con l’aiuto dell’IA? E come si può ottimizzare il processo di produzione sulla base di modelli di IA? Per Olbrich, l’attenzione si è concentrata in particolare su due argomenti: la riduzione degli scarti e l’aumento dell’efficienza attraverso l’ottimizzazione dei tempi di ciclo.
Egli utilizza il termine “disturbi della viscosità” per descrivere il problema degli scarti. Anche lievi fluttuazioni nei singoli lotti di miscelazione e il cambiamento delle condizioni ambientali influenzano il comportamento del flusso del materiale durante lo stampaggio a iniezione. Questo può portare a un riempimento insufficiente o eccessivo delle cavità dello stampo. Il risultato: scarti. Questi scarti di materiale aumentano i costi di produzione.
Altri tipi di scarti sono a loro volta direttamente collegati a variabili di processo che limitano l’efficienza. Ad esempio, i componenti sotto-reticolati possono presentare bolle o difetti di materozza. Ne consegue un complesso conflitto di valori target tra tempi di ciclo raggiungibili e tassi di scarto. Il punto operativo ottimale risultante può a sua volta cambiare a causa delle fluttuazioni dei lotti e dell’ambiente.
“L’idea è quella di calcolare l’influenza di queste fluttuazioni e, in base a ciò, specificare un tempo di vulcanizzazione e di ciclo ottimale a una temperatura ottimale”, spiega Olbrich. Anche le incrostazioni degli stampi possono causare inutili scarti di produzione: Olbrich ha quindi tenuto conto anche di questo aspetto nella sua ricerca.
Da sinistra a destra: Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Trasferimento di conoscenze
Gli approcci tradizionali all’IA richiedono grandi quantità di dati significativi per costruire la loro esperienza di soluzione utilizzando l’apprendimento automatico. Questa è una situazione iniziale che di solito non esiste nell’ambiente di produzione, a causa dell’elevato numero di varianti di prodotto e di macchine di età diversa di diversi produttori. La soluzione a questo problema nella modellazione del processo consiste nel prendere in considerazione le correlazioni fisiche e l’esperienza degli specialisti in loco.
Questo ha determinato l’approccio di Olbrich: Eseguire piani di prova, leggere e valutare i dati, quindi sviluppare modelli di apprendimento automatico con potere predittivo e infine implementare algoritmi di controllo che correggano gli errori e ottimizzino il processo. “Incorporare l’esperienza degli impostatori e la competenza dei nostri colleghi dell’ingegneria di processo è stato fondamentale per ridurre drasticamente i dati di formazione necessari e i relativi tempi di sviluppo”, afferma Olbrich. Ciò che è iniziato inizialmente su una macchina con un articolo, si è poi esteso a diversi tipi di macchine e articoli della produzione di Weinheim Simmerring. “Data l’ampia gamma di varianti presenti nel sito, l’obiettivo è trasferire le conoscenze al maggior numero possibile di articoli”, spiega Olbrich.
Poiché la qualità del prodotto non deve risentire dell’aumento dell’efficienza, i test al banco di prova mostrano se le proprietà desiderate sono ancora presenti dopo le regolazioni del processo. Olbrich sottolinea: “La qualità dei prodotti finali ha la massima priorità. Per garantire l’utilizzabilità futura, è importante coinvolgere da vicino i colleghi dello sviluppo del prodotto per testare in modo critico la funzionalità degli articoli ottimizzati”.
La ricerca di Olbrich si basa sull’idea che le macchine possano utilizzare l’intelligenza artificiale per riconoscere l’esistenza di un problema e avviare immediatamente le azioni per ottimizzare il processo. In alternativa, l’intelligenza artificiale supporta i lavoratori con suggerimenti per l’adeguamento dei processi. Sia lui che Etemadi mettono in chiaro una cosa: l’IA è un aiuto, non una panacea. Etemadi afferma: “L’intelligenza artificiale può creare trasparenza, rendere visibili difetti e fluttuazioni che altrimenti sarebbero quasi impossibili da riconoscere. Ma le nostre persone rimangono enormemente importanti con la loro competenza ed esperienza”. E aggiunge: “I nostri processi generano molti dati. Devono essere analizzati. In combinazione con il nostro Manufacturing Execution System (MES), l’AI può supportare in modo significativo questa valutazione per ottimizzare i nostri processi”. Il lavoro di ricerca di Alexander Olbrich dimostra che funziona”.
Innovare insieme – anche con Kufstein
La tesi di dottorato di Olbrich lo ha portato anche nello stabilimento del Lead Centre Integrated Molded Components di Kufstein. “A Kufstein, l’obiettivo era ridurre gli scarti e ottimizzare i tempi di ciclo nella produzione di armature basculanti per elettrovalvole. I colleghi austriaci hanno un livello tecnologico impressionante e sono stati in grado di fornire le migliori condizioni di partenza per il mio lavoro”, spiega. La somiglianza dei due casi d’uso consente molte sinergie positive tra le sedi. Grazie alla collaborazione con gli esperti di digitalizzazione della Divisione Prodotti di Tenuta Speciali, le soluzioni sviluppate hanno potuto essere trasferite nelle prime applicazioni dimostrative. Il lavoro di Olbrich ha anche dato il via allo scambio tra i due centri principali: trovare gli standard e le condizioni quadro necessarie per l’uso dell’IA che può essere scalato all’interno di FST, cioè utilizzato su larga scala. “Questo è innovare insieme”, riassume Etemadi.
Per Freudenberg, questo funziona anche al di là di FST. “Per un progetto congiunto con Freudenberg Home and Cleaning Solutions in Italia, siamo stati in grado di trasferire le soluzioni sviluppate con FST a Weinheim e Kufstein – in forma modificata – allo stampaggio a iniezione di termoplastici e di trasferirle in un processo pilota”, riferisce Olbrich. Il prossimo passo sarà un soggiorno all’estero presso la Freudenberg Medical negli Stati Uniti. E a un certo punto “nel mezzo”, dovrà scrivere i suoi progetti e le sue scoperte come tesi di dottorato, naturalmente senza il supporto dell’AI.
