Migliore qualità grazie all'intelligenza artificiale
I ricercatori dell'ETH utilizzano l'intelligenza artificiale per migliorare la gestione della qualità nei processi di produzione digitalizzati. In un esperimento condotto presso il produttore di semiconduttori Hitachi Energy, la percentuale di prodotti difettosi è stata dimezzata.
![Sala di produzione Hitachi Energy](/de/news-und-veranstaltungen/eth-news/news/2021/12/bessere-qualitaet-durch-kuenstliche-intelligenz/_jcr_content/news_content/fullwidthimage/image.imageformat.930.404119043.jpg)
Che si tratti di macchine complesse, prodotti farmaceutici o microchip: Più un prodotto è costoso, più la sua qualità è fondamentale per sopravvivere sul mercato. Ciò è particolarmente vero per la produzione industriale in paesi ad alto salario come la Svizzera. È quindi ancora più sorprendente che la mancanza di qualità rappresenti ancora una media del 15% dei costi operativi nella produzione industriale. Il motivo è spesso una gestione della qualità obsoleta.
In un nuovo studio, i ricercatori dell'ETH Julian Senoner e Torbjørn Netland e Stefan Feuerriegel, recentemente entrati a far parte della LMU di Monaco, mostrano come sia possibile migliorare la gestione della qualità in processi produttivi complessi e digitalizzati utilizzando l'intelligenza artificiale (AI). Il loro algoritmo è già stato testato con successo in una fabbrica di conduttori per cavi di Hitachi Energy (ex Hitachi ABB Power Grids) a Lenzburg: in un esperimento il numero di prodotti difettosi è stato ridotto di oltre il 50%, rendendo la produzione non solo più efficiente ma anche più sostenibile.
Una gestione della qualità obsoleta
La fabbricazione di prodotti industriali complessi richiede un gran numero di fasi di lavoro interconnesse. Ad esempio, per produrre i semiconduttori utilizzati nei computer, nei treni o nelle turbine eoliche sono necessarie dalle 200 alle 400 fasi di produzione. In ognuna di queste fasi possono verificarsi diversi errori. Ad esempio, se la temperatura in una macchina è leggermente troppo alta o la pressione in un'altra è leggermente troppo bassa, gli errori possono riguardare gran parte dei prodotti. "Nella produzione di semiconduttori, non è raro che il tasso di errore oscilli tra il 5 e il 70%, poiché il processo di produzione è molto complicato. La posta in gioco è molto alta", spiega l'ETH Torbjørn Netland della cattedra di Gestione della produzione.
Finora è stato molto difficile identificare con precisione le fonti di errore nei processi produttivi più complessi di questo tipo. I metodi tradizionali utilizzati per l'assicurazione della qualità in numerose fabbriche di tutto il mondo consentivano agli ingegneri di analizzare solo pochi parametri alla volta. Nei processi produttivi complessi, invece, vengono misurati migliaia di parametri interconnessi. Il modo in cui questi interagiscono e influenzano l'intero processo produttivo non può essere analizzato con i metodi tradizionali. Il professor Netland dell'ETH e i suoi coautori intendono cambiare questa situazione: "Vogliamo portare la gestione della qualità nell'era digitale. Perché i metodi che molti produttori continuano a utilizzare hanno spesso fino a 100 anni", afferma Netland.
Un algoritmo identifica le fonti di errore
I ricercatori dell'ETH hanno innanzitutto sviluppato un algoritmo che imita le singole fasi della produzione di semiconduttori. Hanno poi alimentato l'algoritmo con il maggior numero possibile di dati storici sulla produzione, come la temperatura o la pressione misurata nelle macchine. "Sulla base di questi dati, l'algoritmo impara in quali condizioni la qualità dei semiconduttori è buona e quando ci sono alti tassi di errore", spiega Julian Senoner, primo autore e personale scientifico della cattedra Netland.
Il vantaggio del metodo basato sull'intelligenza artificiale è che è possibile analizzare un numero qualsiasi di fattori e relazioni nel processo di produzione e scoprire correlazioni più complesse tra i parametri. Ciò significa che le fonti di errore possono essere identificate in modo più sistematico e nell'intero processo produttivo. Tuttavia, questo non rende affatto superflui gli ingegneri ben addestrati nelle fabbriche. Al contrario: "Il nostro algoritmo identifica principalmente le fonti di errore precedentemente non rilevate. Ma il modo esatto in cui queste vengono corrette richiede ancora una grande competenza tecnica e creatività umana", spiega Netland.
50% di perdite in meno
Per testare l'algoritmo, gli autori hanno collaborato con Hitachi Energy a Lenzburg. Hitachi Energy produce semiconduttori utilizzati nei veicoli e nei treni elettrici, nonché nelle turbine eoliche e nelle linee elettriche. I dati di produzione storici del produttore di semiconduttori hanno permesso ai ricercatori di identificare due fasi di produzione che avevano il maggiore impatto sulla qualità dei semiconduttori. Con questi risultati in tasca, si sono recati in fabbrica per condurre un esperimento in condizioni di produzione reali.
Insieme agli ingegneri di Hitachi Energy, gli autori hanno suddiviso un lotto di produzione di 1488 semiconduttori in quattro gruppi di dimensioni uguali. Mentre i primi 372 semiconduttori sono stati prodotti senza modifiche specifiche, per ciascuno dei gruppi due e tre è stata ottimizzata una fase di produzione. Per gli ultimi 372 semiconduttori sono state ottimizzate entrambe le fasi di produzione. "I risultati dell'esperimento hanno confermato le previsioni dell'algoritmo: Nel gruppo di controllo, prodotto senza ottimizzazione, il tasso di errore è stato quattro volte superiore a quello del gruppo prodotto secondo le raccomandazioni dell'algoritmo", afferma l'ETH Netland.
Hitachi Energy ha poi implementato le raccomandazioni dei ricercatori dell'ETH in un'altra variante di prodotto, riducendo di oltre la metà la percentuale di prodotti difettosi. Per il produttore di semiconduttori di Lenzburg, l'algoritmo dei ricercatori dell'ETH rappresenta quindi un importante vantaggio che migliora in modo significativo e sostenibile la gestione della qualità.
Rilevante anche per altri settori
Ma questi risultati possono essere ottenuti anche in altri settori? "Affinché il nostro metodo ottenga buoni risultati, è necessaria una grande quantità di dati per la produzione e ciò richiede processi produttivi altamente digitalizzati", spiega Senoner, ricercatore all'ETH. Secondo gli autori, queste condizioni esistono attualmente soprattutto nell'industria farmaceutica, chimica e della plastica.
![I fondatori di EthonAI con un prototipo](/de/news-und-veranstaltungen/eth-news/news/2021/12/bessere-qualitaet-durch-kuenstliche-intelligenz/_jcr_content/news_content/fullwidthimage_1146793818/image.imageformat.930.1573562750.jpg)
Con la crescente digitalizzazione dei processi produttivi, l'algoritmo dei ricercatori dell'ETH dovrebbe diventare interessante anche per altri settori a medio termine. Per sfruttare il potenziale economico dell'intelligenza artificiale nella gestione della qualità e rendere la tecnologia il più accessibile possibile, il primo autore Julian Senoner e il Pioneer Fellow dell'ETH Bernhard Kratzwald hanno fondato l'apertura dell'ETH pagina esternaEthonAI.
Riferimento alla letteratura
Senoner J, Netland T, Feuerriegel S (2021). Utilizzare l'intelligenza artificiale spiegabile per migliorare la qualità dei processi: prove dalla produzione di semiconduttori. Management Science, pubblicato online: 9 dicembre 2021. DOI: pagina esterna10.1287/mnsc.2021.4190