Gli step da seguire per adottarla ed utilizzarla
Scaricando il
white paper
avrai
a disposizione un
vademecum step-by-step
, personalizzato per costruttori di macchine o utilizzatori finali.
Scaricando il
white paper
avrai
a disposizione un
vademecum step-by-step
, personalizzato per costruttori di macchine o utilizzatori finali.
Compila il form sottostante per pianificare la tua demo!
Confermando la prenotazione otterrai il whitepaper:
Nel contesto produttivo l’output desiderato è normalmente frutto della correlazione di un numero elevato di variabili (input) critiche, non tutte controllabili direttamente dall’utente e la cui relazione è di difficile determinazione a priori.
Sensori
Ricetta
KPI
Sensori
Ricetta
KPI
Sensori
Ricetta
KPI
Grazie all’ apprendimento di pattern complessi , l’algoritmo sarà in grado di generalizzare quanto appreso anche in presenza di combinazioni di dati mai riscontrati in precedenza, in funzione della specificità del sistema studiato.
Il
Machine learning
è lo strumento adatto ad una gestione “controllata” delle relazioni tra variabili.
Gli algoritmi di
Process Tuning & Optimization
sviluppati da 40Factory apprendono automaticamente gli schemi descrittivi della correlazione tra le variabili in input e l’output di processo.
Sensori
Ricetta
KPI
Grazie all’ apprendimento di pattern complessi , l’algoritmo sarà in grado di generalizzare quanto appreso anche in presenza di combinazioni di dati mai riscontrati in precedenza, in funzione della specificità del sistema studiato.
La soluzione di Automatic Prediction permette di predire uno o più KPI particolarmente rilevanti per la produzione a partire dai dati in input, offrendo all’utente uno strumento indispensabile per valutare gli effetti della variabilità (dei parametri di ricetta o delle condizioni esterne al processo) sull’output di produzione.
Accedere alle previsioni tramite dashboard consultabili ovunque
Osservare in tempo reale l’output atteso
Simulare l’output in funzione di condizioni diverse da quelle attuali
01.
Data acquisition
a. Progettazione della raccolta dati da tutte le fonti predisposte (sensori, PLC, SCADA…)
b. Durata della raccolta parametrata alla ciclicità del processo produttivo
02.
Model Training
a. Individuazione dei modelli di deep learning più efficaci allo scopo
b. Validazione dei modelli tramite dati differenti a quelli impiegati nell’allenamento
c. Verifica della capacità dei modelli di generalizzare
03.
Deployment
a. Rilascio dei modelli nel contesto produttivo
a. Progettazione della raccolta dati da tutte le fonti predisposte (sensori, PLC, SCADA…)
b. Durata della raccolta parametrata alla ciclicità del processo produttivo
a. Individuazione dei modelli di deep learning più efficaci allo scopo
b. Validazione dei modelli tramite dati differenti a quelli impiegati nell’allenamento
c. Verifica della capacità dei modelli di generalizzare
a. Rilascio dei modelli nel contesto produttivo
La funzionalità di Optimization consente di ottenere ulteriore valore dalla soluzione di Automatic Prediction permettendo l’ ottimizzazione automatica del settaggio dei parametri di ricetta.
Analisi What-If
Individuazione set di parametri di processo in ambiente virtuale
Riduzione della necessità di personale altamente specializzato o dotato di grande esperienza circa il funzionamento della macchina
Supporto RD
Riduzione degli scarti e massimizzazione dell’efficienza
Implementazione sistema di automatic prediction.
Sviluppo algoritmi di ottimizzazione vincolata.
Indicazioni all’utente delle modifiche ai parametri di ricetta per il raggiugimento dell’ottimo dei KPI.
Per sviluppare un Data Driven Digital Twin è necessario:
Implementare sistemi di raccolta dati
Raccogliere dati per un tempo sufficiente a spiegare la variabilità del processo
Validare il sistema con dati ignoti al modello allenato
L'estrusione di materiale plastico, come ad esempio bobine di film, è un processo
altamente dipendente da fattori non direttamente controllabili dall'utente
, come ad esempio: le caratterisctiche della mescola in ingresso, le condizioni ambientali circostanti (umidità e temperatura) e l'usura dei componenti meccanici della linea.
Al fine di ottimizzare l'efficienza (OEE) del processo di estrusione, intesa come Kg di materiale di buona qualità prodotti per minuto, la soluzione di 40Factory consente di
suggerire il valore ottimale dei parametri di ricetta
, utilizzando un modello di ML allenato con i dati di produzione del passato. Il sistema consente, quindi, di
gestire la variabilità del contesto produttivo in maniera rapida ed esente da errore umano
: il risultato è produrre a massima velocità con la maggiore qualità possibile, in ogni circostanza.
Richiesta inviata
Sarai ricontattato entro 24h!
