Il progetto si inserisce nella collaborazione pluriennale tra Politecnico di Milano e Agrati, nata nell'ambito del JRP MATT, un progetto di filiera del Polo di Lecco dedicato al filo metallico. Il coinvolgimento di AIRIC e l'utilizzo dell'AI è stato richiesto per rispondere alla necessita di rendere più accessibile, condivisibile e strutturata l’attività di progettazione dei cicli di stampaggio a freddo; in particolare, per supportare la fase di customizzazione di prodotti al fine di ridurre i tempi di progettazione e sviluppare soluzioni più efficienti. Negli anni si sono susseguite più fasi progettuali che hanno portato alla realizzazione di un primo prototipo model based in grado di generare cicli produttivi. Dal progetto è stato anche prodotto un paper visionabile [qui]. Attualmente il progetto è in corso e prevede da un lato la campagna di validazione su casi reali e dall’altro lato il potenziamento dello strumento esistente.
Data exploitation e prima modellazione
Analisi del patrimonio informativo esistente e delle modalità con cui l’esperienza tecnica viene oggi trasferita nel processo di progettazione. Definizione di un primo modello semplificato e selezione degli approcci metodologici più promettenti.
Deliverables:
- Analisi dei dati disponibili e della struttura del dataset.
- Roadmap di sviluppo tecnico e organizzativo (metodi, competenze, integrazione).
Sviluppo PoC e prima sperimentazione
Costruzione di un modello di intelligenza artificiale in grado di generare cicli di produzione tramite inverse tree search a partire da una rappresentazione semplificata del pezzo in coordinate bidimensionali. Sviluppo e test di diversi algoritmi, scelta dell’approccio più efficace e realizzazione di un primo Proof of Concept.
Deliverables:
- PoC funzionante basato su cicli reali.
- Algoritmi implementati e valutati su casi studio.
Estensione e approccio induttivo
Estensione del modello di intelligenza artificiale verso pezzi e operazioni più complesse tramite il passaggio a una rappresentazione tridimensionale. Implementazione di una demo utilizzabile per casi reali, che trova tutte le soluzioni possibili e sceglie quella ritenuta più efficiente. Sperimentazione di un approccio data-driven (induttivo) come supporto al modello di intelligenza artificiale per la ricerca di pezzi e cicli simili. Analisi delle potenzialità e dei limiti dell’uso di AI in scenari più complessi.
Deliverables:
- Algoritmo di planning manifatturiero.
- Report di business exploration e casi d’uso futuri.
- Demo testata direttamente dagli ingegneri di Agrati su casi reali.
Validazione e potenziamento (in corso)
Esecuzione di una campagna di validazione su larga scala per valutare la stabilità e l’usabilità della demo, miglioramento dell’algoritmo esistente per estenderne l’applicabilità a scenari più complessi e sviluppo di un sistema di tracciamento degli errori per facilitarne l’uso.
Deliverables:
- Campagna di validazione.
- Prototipo aggiornato con rilassamento vincoli e maggiore scalabilità.
- Sistema avanzato di classificazione e tracciamento degli errori.
Il progetto è tuttora in corso. I risultati raggiunti finora e l’impatto della collaborazione con Agrati verranno descritti e aggiornati in base all’avanzamento delle attività. Al termine della Fase 3, è stato implementato uno strumento che i progettisti di Agrati possono usare in autonomia. Lo strumento è stato in grado di risolvere in modo ottimale circa la metà dei pezzi di test raccolti durante lo sviluppo.
Pubblicazioni
Co-Director
AIRIC
Giovanni
Miragliotta
Co-Director
AIRIC
Nicola
Gatti
Project Manager | Senior AI Research Engineer
AIRIC
Tommaso
Bianchi
AI Research Scientist
AIRIC
Gianmarco
Genalti
AI Research Scientist
AIRIC
Davide
Fabroni
AI Research Scientist
AIRIC
Agnese
Dall'Olio
Deputy COO Europe
Agrati
Andrea
Sala
Process Engineering & PM Manager
Agrati
Paolo
Viganò
Technical Expert Forging
Agrati
Luca
Negri
