Case Study
DeA Scuola

Digital Cloud Transformation con Amazon Web Services

logo
Il Cliente

Prima Industrie guida un Gruppo leader nello sviluppo, produzione e commercializzazione di sistemi laser per applicazioni industriali e macchine per la lavorazione della lamiera, oltre a elettronica industriale, sorgenti laser e soluzioni per l’additive manufacturing.

Capitoli di lavorazione
  • Data Wrangling
  • Machine Learning
  • Edge Machine Learning
Vantaggi ottenuti
  • Innovazione attraverso Machine Learning
  • Failure Detection Automatizzata
  • Ottimizzazione dei Costi
Servizio Corley di riferimento:

Progetto ed esigenze

La spinta all’innovazione che caratterizza l’azienda ha orientato il gruppo di produzione ad una nuova soluzione interna che permettesse di monitorare il taglio laser effettuato in modo da identificare eventuali difetti di lavorazione in automatico e in tempo reale.

Per rilevare le operazioni di taglio è stato montato un dispositivo capace di prelevare, attraverso diversi sensori hardware, il segnale generato dal laser incidente sul materiale in lavorazione. Il segnale prelevato dal dispositivo insieme ai dati specifici relativi alla lavorazione (come il tipo di materiale e lo spessore esatto) sono stati direzionati ad un algoritmo capace di identificare in modo automatico la correttezza del processo di taglio.

Per fare ciò sono stati fatti diversi esperimenti di taglio con diversi tipi di materiali e spessori. Distinguendo quelli lavorati correttamente da quelli imprecisi, ci è stato possibile implementare un algoritmo di Machine Learning che imparasse a distingue la correttezza di ogni processo di taglio attraverso un classificatore binario. Tale algoritmo è stato poi implementato all’interno della macchina per ottenere inferenze in tempo reale, ovvero poter classificare il tipo di taglio effettuato nel momento in cui viene eseguito e gestire tempestivamente eventuali anomalie.

Servizio svolto

Una volta raccolti i dati di lavorazione dalla macchine a taglio laser è stato fatto uno studio insieme al cliente sulle possibili soluzioni offerte dal servizio di Machine Learning AWS SageMaker per l’implementazione del classificatore binario.

Il processo di implementazione di un classificatore binario (e in generale di qualsiasi algoritmo di apprendimento) parte dall’analisi del dato a disposizione e sfrutta di procedure di Data Wrangling al fine di ottenere un dato pulito e digeribile dal processo di apprendimento dell’algoritmo di Machine Learning.
Le librerie Data Science, insieme agli algoritmi per la trasformazione del dato messe a disposizione da SageMaker e l’integrazione ottimale con il servizio di storage S3, hanno permesso di creare delle pipeline di estrazione ed elaborazione del dato (ETL) raffinando così il dato utilizzato dall’algoritmo di Machine Learning.

Una volta ottenuto il dato elaborato sono stati fatti molteplici esperimenti utilizzando algoritmi built-in di SageMaker come XGBoost e Linear Learner al fine di ottenere un classificatore con percentuale totale di corretti classificati (accuratezza) più alta possibile. A tale scopo abbiamo sfruttato strumenti di indagine automatica quali Hyperparameter Tuning, che ricerca tra le possibili combinazioni dei parametri dell’algoritmo di apprendimento quelle che ottimizzano una determinata metrica (come l’accuratezza) al fine di ottenere un modello il più possibile performante.

 


 

La fase di apprendimento, una volta ultimata, ha permesso di ottenere un algoritmo pronto ad analizzare tutti i dati in ingresso.

Tipicamente questo può essere fatto inviando i dati attraverso chiamate API ad un endpoint remoto in cloud di SageMaker.
Nello scenario di Prima Power era però necessario indirizzare la richiesta di analisi il più possibile in tempo reale, facendo in modo che il modello fosse disponibile direttamente all’interno della macchina di produzione. A questo scopo SageMaker NEO ci ha permesso di ottenere una versione eseguibile del modello ottimizzata per specifici device e sistemi operativi tramite quello che viene che viene chiamato compilation job in cui semplicemente si sceglie il framework di partenza e il tipo di ambiente il cui il modello andrà eseguito.

Terminato il processo di compilazione sabbiamo ottenuto una versione del modello che è stata importata nell’ambiente locale, integrandosi direttamente con i macchinari della linea produttiva.

Benefici ottenuti

Aver sfruttato gli strumenti messi a disposizione da SageMaker ci ha permesso di ottenere con pochi passaggi diversi modelli di Machine Learning adatti a rispondere all’esigenze di performance richiesti dal Cliente. Sono stati raggiunti importanti traguardi sia in termini di accuratezza di classificazione (superiore al 90%) che in termini di tempi di risposta (grazie alla esecuzione locale).

L’intero processo di produzione ha così acquisito un importante valore in termini di automazione e innovazione.