Lo scenario attuale - Criticità
La stima della performance complessiva si basa tipicamente su complessi modelli di simulazione ad eventi discreti e sulla competenza ed esperienza degli ingegneri progettisti:
- La modellazione della linea richiede l’analisi di una mole significativa di dati, spesso frammentati su diverse basi dati e di difficile riconciliazione;
- La performance complessiva della linea viene stimata sulla base di test eseguiti su periodi di tempo medio/lunghi, solo una volta che la linea è già stata realizzata;
- La performance complessiva effettiva viene calcolata a posteriori dopo l’osservazione di un lungo periodo di produzione (tipicamente un anno o più).
I casi d’uso sviluppati
È stato sviluppato un modulo di Simulazione e Machine Learning che integrandosi con la piattaforma Brick Reply (in particolare con la sua componente di Monitoring), abilita il setting e l’esecuzione di simulazioni per predire l’efficienza complessiva di una linea automatica.
Tramite un front end web l’utente potrà:
- Scegliere l’elenco e sequenza di fasi di lavoro che compongono la linea da simulare;
- Interrogare il modello predittivo in grado di ispezionare e valutare i set di dati precedentemente raccolti dal campo;
- Visionare il mix di macchinari ottimale per le fasi di lavoro indicate, che verrà proposto dal sistema;
- Visionare la performance complessiva prevista in base al mix di macchinari proposto.
La piattaforma integrandosi con i servizi del cloud Microsoft Azure Machine Learning:
- Genera varie proposte di mix ottimale di macchinari andando ad analizzare le performance di tutti i macchinari in grado di svolgere le fasi di lavoro indicate dai progettisti;
- Per ciascuna proposta, calcola la performance totale di linea basandosi sull’analisi delle performance delle singole componenti (o macchinari) della linea stessa.
L’architettura della soluzione
La soluzione tecnologica per Brick Reply è costituita da una web application pubblicata sul cloud Azure di Microsoft ed integrata con un algoritmo di Machine Learning implementato su Azure e consumabile mediante web-service.
L’architettura dell’applicazione è stata implementata prevedendo:
- Un front-end Web moderno in HTML 5 e JavaScript basato su tecnologia AngularJS;
- Uno strato di Machine Learning implementato sulla piattaforma Azure e consumabile mediante chiamata di web-services di tipo REST;
- Uno strato di persistenza dei dati costituito dal database relazionale MS SQL.