A data-driven approach to detect faults in the tire building process

The industrial production is experiencing a fast digital transformation, supported by the technological framework of Industry 4.0 with Internet of Things, cyber-physical systems, and cognitive computing. Thanks to the acquisition of large sets of production data and techniques to extract insights from them, factories are introducing more and more automation techniques to increase their efficiency. This thesis is in the context of the Total Efficiency 4.0 project, a joint partnership of Pirelli, Telco, and Politecnico di Milano founded by Regione Lombardia, whose final objective is to reduce costs in tire manufacturing by improving the efficiency of the production process, using data-driven techniques. This work proposes a method to isolate, detect, and predict the defects in the building phase of a tire factory and offers suggestions on how to develop a possible solution to the task of controlling production machines with Reinforcement Learning techniques to maximize the efficiency of the plant. At first, we divide the overall problem into 4 main steps: Defect Isolation (DI), Defect Classification and Regression (DCR), Defect Prediction (DP), and the Reinforcement Learning (RL) for control. After that, we provide models and algorithms able to tackle the different subtasks independently. Finally, we apply the methods we propose to the data provided by Pirelli, which cover two months of production data collected from the NEXT-MIRS production line of the Pirelli factory in Settimo Torinese. More specifically, the DI and DCR steps have been tested with real data, while the application of the DP and RL ones are only described in the current work.

Negli ultimi anni con l'introduzione dei sistemi cyberfisici nella produzione industriale, il settore secondario sta subendo una rapida trasformazione digitale verso la cosiddetta Industria 4.0. Grazie all'acquisizione di ingenti moli di dati di processo e a tecniche che ne estraggono informazioni utili, gli impianti di produzione stanno diventando sempre più automatizzati ed efficienti. Questa tesi fa parte del progetto Total Efficiency 4.0 finanziato da Regione Lombardia ed in collaborazione tra Pirelli Tyre S.p.A., Telco S.r.l., e Politecnico di Milano, il cui scopo è quello di incrementare il livello di efficienza produttiva, organizzativa, gestionale ed energetica delle fabbriche di pneumatici ottenendo livelli più alti sia di produttività a livello di processo, sia di qualità a livello di prodotto. L'attenzione di questa tesi è posta sull'incremento dell'efficienza produttiva tramite la riduzione di guasti nell'impianto e il numero di unità difettose prodotte. Proponiamo un metodo basato sui dati di produzione che permetta di isolare le cause alla radice di un prodotto difettoso, prevedere l'occorrenza del prossimo guasto e controllare i macchinari di produzione per prevenire comportamenti anomali. In particolare la nostra soluzione è divisa in 4 fasi: Isolamento del Difetto, Classificazione e Regressione, Predizione del Difetto e controllo con tecniche di Reinforcement Learning. Dopo aver analizzato il nostro caso di studio e i dati a nostra disposizione, illustriamo la soluzione che proponiamo per il problema di Isolamento del Difetto tramite l'utilizzo di Reti Bayesiane per individuare le correlazioni tra le variabili di processo e le misure di difettosità. Il passo successivo è lo studio di funzioni che permettano di stimare le misure di qualità finali di un prodotto basandosi sui dati di produzione. Dopodichè, studiamo il caso di Classificazione di un prodotto in unità difettosa o unità regolare discutendone i limiti, e il caso di Regressione per stimare l'esito numerico dei test di qualità. Sfruttando i predittori appresi dallo studio di Regressione, proponiamo una tecnica di predizione basata sull'analisi delle serie temporali dei dati dei sensori che permetta di avere una stima temporale sull'occorrenza del prossimo difetto. Infine, studiamo il problema del controllo dei macchinari con tecniche di Apprendimento per Rinforzo Sicuro e proponiamo una possibile soluzione applicabile nel nostro scenario. In questo lavoro implementiamo le tecniche di Isolamento del Difetti e di Classificazione e Regressione utilizzando i dati forniti da Pirelli, relativi a 2 mesi di produzione dell'impianto NEXT-MIRS di Settimo Torinese. Invece, per i passi di Predizione del Difetto e Apprendimento per Rinforzo, essendo necessaria la disponibilità di ulteriori dati per la loro applicazione, proponiamo la descrizione di due metodi direttamente applicabili al nostro caso di studio.