PreMANI – Manifattura Predittiva: progettazione, sviluppo e implementazione di soluzioni di Digital Manufacturing per la previsione del la Qualità e la Manutenzione Intelligente

Data inizio
7 novembre 2017
Durata (mesi) 
36
Dipartimenti
Informatica, Ingegneria per la medicina di innovazione
Responsabili (o referenti locali)
Fummi Franco
Parole chiave
smart manufacturing

Intervento realizzato avvalendosi del finanziamento POR - Obiettivo “Incremento dell’attività di innovazione delle imprese” Parte FESR fondo europeo di sviluppo regionale 2014-2020

Breve descrizione
Lo sviluppo di sistemi produttivi ad alta efficienza che consentano di minimizzare i costi di produzione, migliorare la produttività e la qualità del prodotto è universalmente riconosciuto come uno dei temi centrali dello Smart Manufacturing, in particolare nella visione dell’Industry 4.0. L’alta efficienza produttiva è condizione necessaria per la competitività di tutte le imprese, che devono raggiungere un miglioramento della performance, e raggiungere un elemento di differenziazione dai paesi a basso costo attraverso la realizzazione di prodotti di alta qualità, aspetto questo particolarmente significativo per il sistema produttivo veneto. Inoltre, sistemi ad elevata flessibilità applicativa consentono di mantenere inalterata la propria efficienza anche a fronte di una variabilità estrema della domanda, e di conseguire al tempo stesso una riduzione degli scarti (anche in chiave di sostenibilità ambientale) e dei consumi energetici derivanti da processi non efficienti (efficienza energetica). In questa ottica, è necessario sviluppare metodologie, tecnologie e strumenti integrati di manutenzione, controllo qualità, e logistica di produzione, coerentemente con quanto specificato nella Traiettoria Tecnologica #10: Soluzioni per la gestione avanzata della manutenzione, qualità̀ e logistica ed il supporto alle decisioni in ambienti complessi. A livello di equipaggiamento, si devono sviluppare approcci di modellazione e previsione dello stato di degrado della macchina a partire da dati acquisiti dal campo attraverso sensori di processo e prodotto. Tali modelli permettono di definire soluzioni di manutenzione condition-based in grado di prevedere le deviazioni ed evitare i difetti, senza interferire con le performance del sistema. A livello di sistema, è necessario costruire modelli e metodi per prevedere l'impatto di un difetto sui successivi stadi di produzione e per identificare soluzioni di eliminazione di difetti, tra cui rilavorazione e riparazione in linea, evitando che i difetti siano identificati solo dall'ispezione a fine linea, con il relativo costo associato in termini di scarto.
Lo studio e realizzazione di tale tipo di modelli di previsione è al centro del progetto PreMANI, e ne costituisce parte particolarmente innovativa, stanti le metodologie che verranno utilizzate allo scopo e che verranno applicate a un ampio insieme di casi d’uso industriali facendo leva sulle tecnologie ICT (Information & Communication Technologies), che costituiscono la tecnologia abilitante (come espressione della Micro/nano elettronica) di riferimento per il progetto, assieme ai Sistemi avanzati di produzione.

Finalità
Il progetto ambisce a dimostrare la capacità di penetrazione di tali tecniche in settori applicativi eterogenei, caratterizzati da esigenze molto diverse, facendo leva sugli aspetti metodologici di natura generale. Il progetto intende sviluppare tecniche che possano affrontare il tema della predizione delle caratteristiche di funzionamento di macchine ed impianti, coniugando l’analisi della qualità (del prodotto) con quello dell’efficienza (degli impianti), in un contesto che viene quindi descritto come Manifattura Predittiva. Le soluzioni sviluppate appartengono all’ambito del Digital Manufacturing, prevedendo la realizzazione di strumenti avanzati per il supporto alle decisioni, e di componenti a livello hardware (architetture di sensori dedicate, sistemi embedded a basso costo per l’utilizzo in tempo reale di modelli complessi di previsione), infrastrutturale (piattaforme IT basate su cloud), e algoritmico (con particolare enfasi sull’utilizzo di tecniche di machine learning).

Risultati attesi
Dal punto di vista delle attività condotte nel progetto, si osservi che PreMANI ha come obiettivo principale la realizzazione di soluzioni innovative per i sistemi produttivi, per la qualità dei prodotti e la manutenzione “intelligente”. Alcuni partner svilupperanno inoltre nuovi prodotti e macchinari, che incorporano le funzionalità espresse dalle soluzioni innovative. In questa visione, il progetto ha una componente predominante di attività di Ricerca Industriale, in quanto l’obiettivo principale dei partner è quello di acquisire nuove conoscenze e capacità per innovare sia i propri processi produttivi che i propri prodotti. Per la realizzazione di tali soluzioni, è essenziale poter disporre di dati di adeguata numerosità e qualità relativi all’utilizzo di macchine e sistemi di produzione. Per effettuare tale raccolta dati in ambiente controllato, alcuni partner svilupperanno prototipi da laboratorio e realizzeranno linee pilota. Nell’ottica di portare poi le innovazioni del progetto sul mercato, è prevista anche un’attività secondaria di Sviluppo Sperimentale in cui i prodotti e i servizi realizzati saranno validati in condizioni operative che riproducono quelle reali, per apportare ulteriori miglioramenti tecnici a soluzioni che non sono sostanzialmente definitive.

Soggetti Partecipanti: CIELLE Srl, EDALab Srl, Electolux Italia SpA, Enginsoft SpA, Fonderia Corrà SpA, Galdi Srl, Improvenet, I.R.S. Srl, M3E Erl, M31 Italia Srl, RDS Moulding Technology SpA, Simnumerica Srl, Smit Srl, Sordato Srl, Statwolf Data Science Srl, T2I - Trasferimento Tecnologico e Innovazione Scarl, Università degli STudi di Padova, Università degli Studi di Verona, Zanardi Fonderie SpA

SPESA COMPLESSIVA PREVISTA: € 5.396.160,33
CONTRIBUTO COMPLESSIVO PREVISTO: € 2.999.858,64

Enti finanziatori:

Regione del Veneto
Finanziamento: assegnato e gestito dal Dipartimento

Partecipanti al progetto

Riccardo Muradore
Professore associato
Graziano Pravadelli
Professore ordinario

Attività

Strutture

Condividi