2022-11-02

Calibrazione Guidata

In questo articolo tratterò un progetto svolto nell'ambito della calibrazione assistita.

Nello specifico il progetto che ho seguito aveva l'obiettivo di velocizzare un processo di calibrazione di un dispensatore di colla situato in una catena di montaggio usando algoritmi di Machine Learning e lo storico dei dati.

Come funziona la procedura

Il tubo della colla usato in questo passaggio doveva essere sostituito quotidianamente una volta terminato. Quando veniva sostituito il dispensatore di adesivo doveva essere ricalibrato, per assicurare il giusto flusso di colla. Infatti le proprietà della colla sono difficili da prevedere. In base alla viscosità di ciascun tubetto, lo strumento poteva essere calibrato sulla velocità di rotazione di una vite interna, per ottenere il flusso desiderato.

L'operatore in genere iniziava da un parametro di default e misurava il peso della colla dispensata. Se non rientrava in un intervallo, doveva aggiustare il parametro della velocità secondo il proprio intuito e ripetere la misurazione finché il peso non era quello richiesto.

Il processo poteva rallentare la produzione e costituire un bottleneck del flusso. Infatti ogni tentativo richiedeva circa 5 minuti e a volte più di 5 tentativi erano richiesti per trovare il valore necessario.

Qual è l'idea

L'operatore del processo poteva avere una buona conoscenza dell'adesivo, ma in ogni caso era limitato. Nel caso di operatori inesperti, la varibiltà poteva essere anche maggiore.

L'idea è sfruttare i dati di ogni singolo tubetto adesivo per cercare di indovinare più velocemente il parametro di velocità per ottenere il flusso richiesto.

Abbiamo prima di tutto cercato i dati che potevano influire sulla viscosità della colla al momento dell'utilizzo.

Questi sono ad esempio i parametri chimici della partita produttiva testata dal venditore. Essendo i tubetti congelati per garantire il mantenimento delle proprietà, un altro parametro usato era il tempo di scongelamento. 

Altra informazione potenzialmente correlata era il tempo trascorso dall'ultima sostituizione del componente rotatorio del dispensatore.

Un altro dato incluso è stato il valore del peso della colla dispensata, data una certa velocità. Infatti, nonostante avessimo un intervallo da rispettare, abbiamo pensato di utilizzare questo valore come elemento predittivo nel modello, dal momento che la variabilità osservato poteva fornire informazioni utili nella fase di apprendimento.

Come è stata implementata

Con il dataset appena costruito abbiamo allenato un modello di regressione con random forest che predicesse il parametro di calibrazione richiesto.

Per quanto riguarda il valore del peso, al momento dell'inference veniva fissato sul valore ottimale, ossia il punto centrale dell'intervallo richiesto.

Abbiamo costruito un'interfaccia web che estraeva gli ultimi valori dal database per l'inference e suggerisse all'operatore un parametro di calibrazione. 

Per l'eventualità che il valore suggerito non funzionasse, abbiamo pensato di suggerire nuovi valori, usando interpolazione lineare tra il peso risultato e il parametro della velocità, finché il peso desiderato non fosse raggiunto.

Conclusioni

Abbiamo poi paragonato il numero di tentativi dell'operatore prima e dopo la soluzione e abbiamo notato una diminuzione del 20% del numero di tentativi di calibrazione e quindi anche dei tempi del processo, velocizzando il flusso della catena di montaggio.

Abbiamo notato che alcuni dati, come i tempi di scongelamento, non erano raccolti, quindi abbiamo aggiunto questo dato a quelli registrati. 

Facendo leva su algoritmi di regressione come random forest e una buona raccolta e organizzazione dei dati produttivi, abbiamo creato uno strumento che velocizzasse un compito prima basato escusivamente sull'intuizione e la fortuna dell'operatore.

Se vuoi sviluppare qualcosa di simile scrivimi su carlo@arsolutions.it