Il Team assegnato a Pulsar Industry vince la seconda edizione dell’Industrial AI Challenge
Maria Vittoria Cavicchioli, Edoardo Barba, Gabriele Padovani, Edoardo Maines e Pierluca Faccin, studenti del Master in Sistemi di Intelligenza Artificiale dell’Università di Trento, vincono la seconda edizione dell’Industrial AI Challenge con un progetto di innovazione nel campo dell’intelligenza artificiale elaborato per Pulsar Industry.
L’Industrial AI Challenge è una competizione a squadre organizzata da Fondazione Hub Innovazione Trentino (HIT) in collaborazione con Università di Trento, Fondazione Bruno Kessler, Trentino Sviluppo e Confindustria Trento. L’obiettivo principale di questa iniziativa è promuovere la collaborazione tra mondo accademico e industria. Ogni team è guidato da un mentore e collabora con un’azienda locale per risolvere un problema industriale analizzando i dati forniti dalla società stessa con l’impiego di tecniche di intelligenza artificiale (IA).
Pulsar Industry è una società con sedi a Spilamberto (Modena) e Rovereto (Trento) che fornisce soluzioni automatizzate ai propri clienti sfruttando diversi campi di competenza. Pulsar Industry ha una clientela variegata con una netta prevalenza per il settore alimentare: Amadori, Beretta, Conserve Italia, Grandi Salumifici Italiani, Rovagnati, solo per citarne una minima parte. All’interno dell’industria alimentare sono necessari forti requisiti per tenere il passo con gli standard di alta qualità e il monitoraggio dei processi di produzione. Punto di forza di Pulsar Industry è l’integrazione del proprio software di fabbrica Dynamic nel controllo del processo di produzione. Dynamic è un sistema dipartimentale innovativo e completamente configurabile per la gestione e il monitoraggio della produzione. È una tecnologia di alto livello, completamente integrabile con i sistemi ERP del cliente e consente la raccolta di dati provenienti dai diversi moduli di monitoraggio in campo.
La sfida proposta da Pulsar Industry mirava alla produzione di un modello di AI che consentisse di selezionare il miglior semilavorato in alimentazione delle linee di affettamento al fine di ottenere il minor sfrido e aumentare la produttività migliorando l’indice OEE.
L’obiettivo, quindi, era determinare per ogni semilavorato in giacenza nelle celle di temperizzazione una stima degli scarti che si sarebbero ottenuti per temperatura rilevata allo sconfezionamento e per lama utilizzabile.
Attraverso le fasi di individuazione del dataset, di incremento della qualità dei dati e di individuazione del modello di apprendimento il Team ha determinato l’impiego del modello Multi Layer Perception (MLP), ribattezzato per l’occasione MLPulsar.
Per comprendere il possibile impatto della soluzione in una prospettiva industriale, una stima dell’aumento medio dell’Overall Equipment Effectivness (OEE) è riportata nel grafico in figura. Confrontando l’OEE attuale (cOEE) con quello previsto (pOEE), attraverso il modello MLPulsar, si ottiene la stima dell’incremento dell’OEE (∆OEE). In sintesi, il modello MLPulsar produrrebbe un incremento medio stimato sull’OEE dell’1,37%!
La compatibilità e l’integrazione di questa architettura con il software Dynamic di Pulsar Industry è lasciata allo sviluppo futuro. Ciò consentirà di effettuare ulteriori test del modello su un sistema operativo reale e quindi sarà utile per condurre diversi esperimenti, come, ad esempio, la verifica dell’affidabilità delle prestazioni simulate.
And the winner is… Pulsar Industry Team!
Pulsar Industry Team wins the second edition of the Industrial AI Challenge
Maria Vittoria Cavicchioli, Edoardo Barba, Gabriele Padovani, Edoardo Maines and Pierluca Faccin, students of the Master in Artificial Intelligence Systems of the University of Trento, win the second edition of the Industrial AI Challenge with an innovation project in the field of artificial intelligence developed for Pulsar Industry.
The Industrial AI Challenge is a team-based competition organized by Fondazione Hub Innovazione Trentino (HIT) in collaboration with the University of Trento, Fondazione Bruno Kessler, Trentino Sviluppo and Confindustria Trento. The main goal of this initiative is fostering collaboration between academia and industry. Each team is led by a mentor and cooperates with a local company in order to solve an industrial problem by analyzing data provided by the company itself with the employment of Artificial Intelligence (AI) techniques.
Pulsar Industry is a company based in Spilamberto (Modena) and Rovereto (Trento) which delivers automated solutions to its customers by exploiting different fields of expertise. Pulsar has a varied customer base with a clear prevalence for the food industry: Amadori, Beretta, Conserve Italia, Grandi Salumifici Italiani, and Rovagnati, to name some but few. Within the food industry there are strong requirements to keep up with the high-quality standards and monitoring of production processes. A Pulsar Industry’s key selling point is the integration of the factory software Dynamic in the production process control. Dynamic is an innovative and fully configurable departmental system for production management and monitoring. It is a high-level technology, fully integrated with the ERP systems already installed by the customer and allows the collection of data from the different monitoring modules in the field.
The challenge proposed by Pulsar Industry was to produce an AI model that would allow the selection of the best semi-finished product in slicing line feeding in order to obtain the least scrap and increase productivity by improving the OEE index.
The objective, therefore, was to determine for each semi-finished product in stock in the tempering cells an estimate of the waste that would be obtained by temperature detected at disconnection and by usable blade.
Through the phases of identification of the dataset, increase in data quality, identification of the learning model, the Team has determined the use of the model Multi-Layer Perception (MLP) renamed for the occasion MLPulsar.
To understand the possible impact of the solution under an industrial oriented perspective, an estimation of the average increase in Overall Equipment Effectiveness (OEE) is reported in the graph in Figure. By comparing the current OEE (cOEE) and the predicted one (pOEE) that could be obtained by using MLPulsar, the ∆OEE can be obtained as an estimation of the increment. To sum up, MLPulsar model would produce an average estimated increment on the OEE of 1.37%!
The compatibility and integration of this architecture with Pulsar Industry’s Dynamic software is left for future development. This would allow for more testing of the model on a real operational system and thus be useful to conduct several experiments, such as verifying that the simulated performances are actually realistic.
