Brick Reply

Brick Reply è la soluzione che, simulando varie configurazioni della linea automatica, suggerisce il mix ottimale per ottimizzare le prestazioni.

Brick Reply

Scenario

La performance complessiva di una linea automatica dipende da un numero estremamente alto di variabili, il cui comportamento è influenzato dalle performance dei singoli dispositivi o macchinari che costituiscono la linea stessa, dalla pianificazione della produzione impostata dal cliente finale, dagli interventi di manutenzione programmata e straordinaria (per citare alcuni dei fattori che maggiormente influenzano il sistema).

Immaginatevi un sistema in cui le informazioni acquisite nel passato, su varie linee automatiche che sono già state realizzate, consentono di suggerire il mix perfetto di macchinari e dispositivi in grado di garantire la performance complessiva attesa dal cliente:

  • I dati di performance delle linee precedentemente realizzate vengono raccolti ed organizzati in un sistema centralizzato;
  • I progettisti dichiarano l’elenco di fasi (o lavorazioni) da svolgere sulla nuova linea da progettare;
  • Il simulatore analizza il nuovo scenario sulla base dei dati precedentemente acquisiti e suggerisce il mix ottimale di macchinari per svolgere le fasi indicate dai progettisti;
  • Il simulatore prevede quale sarà la performance complessiva in base al mix suggerito.

Tutto questo è possibile grazie alla soluzione Brick Reply.

La soluzione

Dashboard attraverso la quale l’utente può, per ognuna delle attività della linea di produzione, definire la migliore “asset mix” e la OEE (Overall Equipment Effectiveness).

Permette di simulare varie configurazioni della linea automatica, al fine di suggerire il mix ottimale di dispositivi per raggiungere le prestazioni complessive richieste dal cliente finale.

Focus On

I costruttori di linee automatiche devono fare i conti con la varietà di dispositivi per l'automazione disponibili. Uno dei loro obiettivi è trovare il perfetto mix di dispositivi e macchinari in modo da ottimizzare le linee di produzione, sfruttare appieno il loro potenziale e prevedere la loro produttività. I loro clienti vogliono conoscere in anticipo le prestazioni complessive della nuova linea automatica che hanno acquistato.

Il monitoraggio offerto dalla piattaforma Brick consente di raccogliere in tempo reale tutti i dati dalle linee di assemblaggio già installate. Brick Reply controlla, pulisce e modella i dati raccolti, al fine di prevedere le prestazioni per ogni nuova combinazione di macchinari. È una nuova soluzione per definire la migliore combinazione di macchinari per una specifica produzione.


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.


SCOPRI TUTTI GLI ACCELERATORI REPLY PER DATA ROBOTICS


Data Robotics Accelerator

Automated Invoice

Automated Invoice è la soluzione, erogabile anche in modalità di servizio, che permette di gestire in modo automatico il processo di ciclo passivo dalla registrazione fino alla riconciliazione fra le fatture e l’ordine d’acquisto/ddt/ricevimento, evidenziando le differenze riscontrate.

Data Robotics Accelerator

Employee Monthly Expenses

Employee Monthly Expenses è la soluzione che permette di automatizzare la creazione della nota spese a partire dagli stessi giustificativi, velocemente e senza bisogno di intervento manuale.

Data Robotics Accelerator

Know Your Orders

Know your Orders è la soluzione che permette di creare una semplice interfaccia interrogabile tramite linguaggio naturale dagli utenti, agevola l’accesso alle informazioni garantendone consistenza e accuratezza.

Data Robotics Accelerator

Match-up

Match-up è uno strumento evoluto per l’analisi, la riconciliazione e l’abbinamento di dati complessi (singoli e/o multipli). L’utilizzo di tale strumento trova applicazione nelle attività su dati.

Data Robotics Accelerator

Customer Recovery

Customer Recovery è la soluzione che risponde alla sfida dell'approccio comportamentale alla gestione del rischio di credito. La soluzione è sviluppata con Microsoft Azure Machine Learning, un servizio che consente di creare e testare potenti analisi predittive basate sul cloud.