Embedded Files
NGA4M
Il progetto NGA4M – Next Generation Analytics for Manufacturing integra tecnologie avanzate di Machine Learning, Data Integration e Intelligenza Artificiale per affrontare sfide concrete dell’industria manifatturiera. In questa sezione presentiamo i principali casi d’uso industriali, insieme alle tecnologie abilitanti che ne hanno permesso lo sviluppo.
Use case 1: Bonfiglioli - MARPOSS - EMAG
Use case 1: Bonfiglioli - MARPOSS - EMAG
Ottimizzazione della qualità nella rettifica tramite Causal AI
Ottimizzazione della qualità nella rettifica tramite Causal AI
Obiettivo: Analizzare l’effetto causale del processo di rettifica sui parametri di qualità dei componenti meccanici.
Processo industriale
Processo industriale
Input: Componenti grezzi da Bonfiglioli
Rettifica: EMAG G160
Misurazione: Klingelnberg P40 e Marposs NVH GEAR
Risultati attesi
Risultati attesi
Comprendere scientificamente le relazioni causa-effetto
Ottimizzare le condizioni operative
Migliorare l’affidabilità delle decisioni di produzione
Tecnologie utilizzate
Tecnologie utilizzate
Causal AI e DoWhy (PyWhy)
DAG (Directed Acyclic Graph)
Sensoristica ad alta frequenza e data lake
MOMIS per l’integrazione dei dati
Azure Blob Storage per l’archiviazione cloud
Use case 2: Bonfiglioli
Use case 2: Bonfiglioli
Individuazione di riduttori difettosi e generazione di dati sintetici
Individuazione di riduttori difettosi e generazione di dati sintetici
Obiettivo: Anticipare il rilevamento di riduttori potenzialmente difettosi prima del test finale, migliorando i dataset disponibili.
Approccio
Approccio
Rilevazione di etichette errate tramite CleanLab
Generazione di dati sintetici per bilanciare dataset sbilanciati
Addestramento su set misti (reale + sintetico)
Risultati attesi
Risultati attesi
Dataset pulito e bilanciato
Migliori performance dei modelli ML
Riduzione dei tempi e costi per la raccolta dati
Tecnologie utilizzate
Tecnologie utilizzate
CleanLab
GAN e TabDDPM (modelli di diffusione)
Clearbox Synthetic Kit (open-source)
Kubeflow per la gestione MLOps
Use case 3: MEP
Use case 3: MEP
Predizione della durata di vita residua della lama (RUL)
Predizione della durata di vita residua della lama (RUL)
Obiettivo: Stimare in anticipo la durata di vita residua delle lame da taglio, per pianificare la manutenzione in modo intelligente.
Approccio
Approccio
Analisi statistica delle proprietà operative
Modelli di classificazione basati su dati tabellari
Evitata la complessità delle serie temporali
Risultati attesi
Risultati attesi
Riduzione dei tempi di fermo
Migliore pianificazione della manutenzione
Aumento dell’efficienza operativa
Tecnologie utilizzate
Tecnologie utilizzate
Classificatori statistici
Dataset strutturati e interpretabili
Analisi a basso overhead computazionale
Use case 4: Integrazione dati (tutti i partner)
Use case 4: Integrazione dati (tutti i partner)
Pipeline Edge-to-Cloud per la raccolta, gestione e analisi dei dati industriali
Pipeline Edge-to-Cloud per la raccolta, gestione e analisi dei dati industriali
Obiettivo: Creare un’infrastruttura scalabile per raccogliere dati da macchinari eterogenei e trasformarli in insight utilizzabili in tempo reale.
Componenti principali
Componenti principali
Edge devices (es. Raspberry) collegati a macchine EMAG e Klingenberg
Broker MQTT per invio dati
MOMIS per l’integrazione semantica
Archiviazione e trasformazione su Azure Cloud
Tecnologie utilizzate
Tecnologie utilizzate
Protocolli industriali (MQTT, OPC-UA)
MOMIS (Data Integration & Semantic Mapping)
Hybrid Storage (NoSQL + SQL)
Azure Blob Storage
Common Data Model per l’allineamento semantico dei dati
Tecnologie abilitanti
Tecnologie abilitanti
Pipeline Edge-to-Cloud per la raccolta, gestione e analisi dei dati industriali
Pipeline Edge-to-Cloud per la raccolta, gestione e analisi dei dati industriali
Obiettivo: Creare un’infrastruttura scalabile per raccogliere dati da macchinari eterogenei e trasformarli in insight utilizzabili in tempo reale.
Causal AI (DoWhy – PyWhy)
Causal AI (DoWhy – PyWhy)
Analisi causale strutturata e scientifica (non solo correlazione)
Modelli DAG, propensity score matching, regression adjustment
Utilizzata per ottimizzare processi di rettifica e qualità
Synthetic Data & Generative AI
Synthetic Data & Generative AI
Generazione di dati tabellari e time series con GAN e TabDDPM
Bilanciamento di dataset e mitigazione del mislabeling
Clearbox Synthetic Kit (rilasciato open-source su GitHub)
MLOps con Kubeflow
MLOps con Kubeflow
Gestione completa del ciclo di vita dei modelli ML
Hyperparameter tuning (Katib), deployment (KServe), tracciamento (MLflow)
Piattaforma modulare per workflow cloud-native
MOMIS – Data Integration Platform
MOMIS – Data Integration Platform
Integrazione semantica di dati industriali da fonti eterogenee
Livelli di visualizzazione: macchina, processo, impianto
Supporto a storage ibridi e modelli di dati unificati
Page updated
Report abuse