Riconoscimento automatico dei componenti nella produzione additiva

Ridurre impegno di smistamento e rischio di errore con il Deep Learning

Le aziende industriali si trovano in una competizione continua con i propri concorrenti. Per restare competitive, è necessario migliorare costantemente i processi interni, esaminando tutti gli elementi della catena di processo. In questo contesto, PROTIQ GmbH ha analizzato il potenziale di ottimizzazione del sotto‑processo di assegnazione dei pezzi stampati ai rispettivi ordini e, grazie al Machine Learning, ha sviluppato una soluzione innovativa per ridurre lo sforzo di smistamento tramite il riconoscimento automatico dei componenti.

Nel panorama dei processi produttivi industriali, la produzione additiva rappresenta una tecnologia relativamente giovane ma in forte espansione. Rispetto ai metodi convenzionali, la stampa 3D offre vari vantaggi: i costi di produzione di un componente sono in gran parte indipendenti dal numero di pezzi da realizzare. Poiché non sono necessari utensili o stampi specifici per il prodotto, è possibile produrre anche pezzi unici a costi contenuti. Inoltre, grazie ai ridotti vincoli tecnologici, si ottengono ampi gradi di libertà nella progettazione. La combinazione di questi aspetti rende la stampa 3D ideale per la produzione di pezzi speciali o prototipi. Ne consegue che sia i clienti privati, sia quelli industriali possono dare forma a quasi qualsiasi idea creativa.

Produzione congiunta di diversi componenti in un unico volume di costruzione

Per ridurre al minimo il tempo che intercorre tra l’idea di un componente e la sua consegna all’utente, occorre ottimizzare l’intero processo. In questo senso PROTIQ ha già automatizzato gran parte della propria catena di processo. Il flusso parte dalla fase di progettazione e, passando per il processo produttivo vero e proprio e i controlli di qualità, arriva fino al componente finito spedito al cliente. L’ottimizzazione comincia con il calcolo dei costi di produzione, basato sul modello CAD, e comprende ulteriori fasi della preparazione digitale e della post‑lavorazione meccanica dei pezzi. Per ridurre ancora di più il tempo tra l’idea del cliente e la consegna del componente reale, è però necessario analizzare e migliorare l’intera catena. In questo contesto, PROTIQ ha esaminato più da vicino il segmento di processo relativo all’assegnazione dei componenti, che si colloca a valle del processo SLS.

Il cosiddetto Selective Laser Sintering (SLS) è il metodo più utilizzato per la produzione additiva di componenti in plastica nella produzione industriale. In un volume di costruzione viene applicato, strato dopo strato, uno strato di polvere plastica che il laser fonde nei punti in cui devono formarsi i componenti. Il materiale si solidifica immediatamente dopo la fusione, formando un corpo plastico solido. Grazie alla deposizione stratificata della polvere nasce progressivamente un corpo tridimensionale. Nel processo SLS l’operatore ha la possibilità di produrre, all’interno dello stesso volume, non solo un singolo pezzo, ma un numero qualsiasi di componenti differenti, disposti tridimensionalmente in modo “impilato”. In questo modo il volume viene sfruttato in modo ottimale. Questo approccio, però, comporta la necessità di separare e smistare a posteriori i componenti prodotti insieme. Questo lavoro manuale richiede molto tempo; di conseguenza, l’impiego di metodi di automazione risulta particolarmente promettente per semplificare il processo.

Feature engineering manuale nella produzione in serie

Nell’era di Industria 4.0, l’automazione delle catene di produzione è già da tempo lo standard in molti processi industriali. A questo scopo vengono impiegati robot con relativi sensori e attuatori. Un esempio dell’utilizzo del cosiddetto “machine vision” nella produzione in serie è il trasporto e lo smistamento dei prodotti sui nastri trasportatori. Grazie a moderne tecnologie di visione artificiale è possibile identificare automaticamente gli oggetti, inclusa la loro posizione e orientamento, permettendo ai robot di afferrarli e processarli senza intervento umano.

Affinché i sistemi di machine vision possano distinguere automaticamente diversi oggetti, devono sapere in base a quali caratteristiche riconoscerli e differenziarli. Queste caratteristiche vengono chiamate feature. Nella produzione in serie, i pezzi da manipolare sono sempre gli stessi: si tratta dei medesimi componenti standard. Questo consente di definire manualmente, in fase di avvio di una nuova linea produttiva, le feature necessarie a distinguere i vari oggetti. Il feature engineering manuale è relativamente impegnativo e può richiedere da giorni a settimane, ma viene svolto una sola volta per ogni linea e consente di adattare il sistema di machine vision in modo ottimale ai componenti da smistare.

Apprendimento autonomo di deep feature per il riconoscimento automatico dei componenti

Il Selective Laser Sintering viene però tipicamente utilizzato non nella produzione di massa, ma per produzioni altamente variabili. Presso fornitori di servizi come PROTIQ vengono realizzati ogni giorno centinaia di componenti diversi. In questo scenario, l’approccio tradizionale per la messa in servizio di un impianto di smistamento non è praticabile: un feature engineering manuale quotidiano per i nuovi lotti di componenti sarebbe semplicemente impossibile. Per poter eseguire ugualmente uno smistamento automatizzato, è quindi necessario ricorrere a metodi di apprendimento automatico (Machine Learning, ML).

Nella visione artificiale, l’impiego di algoritmi di ML è ormai ampiamente diffuso. Con il cosiddetto Deep Learning (DL) si dispone di un’area di ricerca specifica, all’interno del ML, particolarmente adatta allo scenario di smistamento descritto. Il nome deriva dall’uso di sistemi di apprendimento “profondi”, come le Deep Neural Networks (DNN). Questi sistemi sono in grado di apprendere autonomamente, a partire da dati di training, la soluzione di numerosi problemi non lineari. Il vantaggio principale è che non è più necessario un feature engineering manuale: il sistema, a partire dai dati di training, apprende da solo le cosiddette deep feature. Nel caso dello smistamento, queste feature vengono strutturate in modo tale da differenziare in modo ottimale i vari oggetti.

Apprendimento parallelo al processo reale per il riconoscimento dei componenti

PROTIQ ha sviluppato, con il Deep Learning, un sistema in grado di apprendere quotidianamente la distinzione tra i vari componenti in parallelo alla produzione reale. I pezzi fabbricati vengono acquisiti da una telecamera industriale su un’area di scansione situata alla stazione di smistamento. Il sistema addestrato decide, sulla base dell’immagine, di quale componente si tratti. Successivamente, i pezzi appartenenti a ciascun ordine vengono evidenziati visivamente sull’area di scansione. Questo approccio supporta l’operatore nello smistamento, riducendo il lavoro manuale e il potenziale di errore nel riconoscimento dei componenti.

Già oggi il Machine Learning e l’Intelligenza Artificiale (IA) possono essere impiegati in numerosi processi industriali. Inoltre, la ricerca continua a fornire nuove conoscenze, che contribuiscono al miglioramento costante dei sistemi. In futuro le possibilità applicative continueranno ad aumentare, e i metodi di ML potranno dare un contributo sempre più importante all’automazione e all’ottimizzazione dei processi industriali.