Controllo qualità
Come il Machine Learning trasforma il controllo qualità industriale
CASO DI APPLICAZIONE
Aquafil SpA è un’azienda italiana con sede ad Arco (TN), specializzata nella produzione di fibre sintetiche e materiali innovativi per l’industria tessile, automobilistica e dell’arredamento.
Fondata nel 1969, è riconosciuta a livello globale per il suo impegno nella sostenibilità e nell’economia circolare, con particolare attenzione al riciclo di materiali plastici.
Tra le sue innovazioni più note vi è ECONYL®, una fibra rigenerata ottenuta dal recupero di rifiuti plastici come le reti da pesca. Aquafil adotta tecnologie all’avanguardia per ottimizzare la produzione e garantire elevati standard di qualità.
La sfida
Identificare le anomalie prima che diventino costi
Il cliente si trova ad affrontare un problema critico all’interno della propria linea produttiva: voleva capire subito se c’erano dei difetti nelle caratteristiche del suo filo e nei dati delle macchine durante la produzione.
Accorgersi in anticipo di possibili problemi e inefficienze era molto importante per:
- Produrre meno scarti, cioè buttare via meno materiale difettoso.
- Lavorare in modo più sostenibile, avendo un impatto minore sull’ambiente.
Di conseguenza, Aquafil aveva bisogno di un modo per trasformare i dati “grezzi” in informazioni utili per controllare la qualità in modo attivo e gestire le macchine in modo più efficiente.
In sostanza, voleva usare i dati per prevenire i problemi prima che accadessero.
L’analisi dei dati
Sfruttare l’analisi dei dati per ottimizzare la produzione
Classificazione delle osservazioni e individuazione delle anomalie per identificare difetti di produzione
Analisi dell’impatto delle variabili per determinare quali parametri influenzano maggiormente la qualità dei filati.
Gestione dello sbilanciamento delle classi nel dataset, applicando tecniche di oversampling e undersampling.
Integrazione delle informazioni sugli outlier per migliorare la capacità predittiva del modello.
Ottimizzazione e valutazione delle performance del modello, riducendo falsi positivi e falsi negativi attraverso metriche avanzate come precision, recall e F1-score.
La soluzione
Abbiamo trasformato i dati in insight per prevenire anomalie
Per migliorare la qualità dei prodotti e l’efficienza produttiva di Aquafil, abbiamo analizzato i dati raccolti durante la produzione per individuare segnali nascosti capaci di anticipare i problemi prima che si trasformassero in difetti.
Abbiamo esplorato i dati, sviluppato modelli predittivi per distinguere prodotti conformi da quelli difettosi e affrontato lo squilibrio dei dati, bilanciando l’analisi per garantire risultati affidabili.
Dopo aver testato diverse strategie, abbiamo identificato le informazioni più rilevanti per il controllo qualità e valutato il contributo di dati derivati. Infine, abbiamo verificato la robustezza del modello per assicurare previsioni affidabili nel tempo.
Grazie a questa soluzione, Aquafil può prevedere i problemi di qualità in anticipo, intervenire in tempo reale e migliorare l’efficienza produttiva, trasformando i dati in un vantaggio strategico.
