L’esigenza
Uno dei principali fornitori di trasmissioni completamente integrate e sistemi di propulsione elettrificati per tutti i veicoli passeggeri, affronta la sfida di:
- il rispetto di specifici criteri di qualità del prodotto sempre più stringenti;
- comprendere le cause dell’aumento dei livelli di rifiuti;
- raggiungere l’anticipazione dei problemi in una prospettiva di Qualità Predittiva;
- preparazione tempestiva di una rapida risoluzione.
La soluzione
Il focus è la produzione dell’anello sincronizzatore nello stabilimento del Sud Italia, specializzato nella componentistica meccanica per il mercato automotive.
La metodologia del Machine Learning, in particolare gli algoritmi di classificazione, individua i fattori generativi degli elementi di scarto nella filiera, monitorandone le specificità.
Seguendo passaggi predefiniti, come la selezione delle caratteristiche, la correlazione di Pearson, la classificazione e l’addestramento del modello, l’algoritmo implementato impara a classificare le osservazioni a partire da un set precedentemente etichettato di dati storici della finestra temporale e non analizzato un output predefinito.
I dati raccolti vengono utilizzati anche per compilare un dashboard di Business Intelligence quasi in tempo reale contenente alcuni utili indicatori delle prestazioni dei processi.
I benefici
Per ogni specifico caso d’uso l’algoritmo ML più adatto raggiunge l’obiettivo finale valutando KPI quali: Precision, Recall, F-Measure, Accuracy.
La Qualità Predittiva all’interno del processo produttivo riduce i presunti sprechi che si traducono sia nel recupero dei pezzi prodotti che in maggiori maggiori ricavi.