IIoT system for optimization of manufacturing processes

Internet of Things, Big Data, Artificial Intelligence, Industry 4.0 are the jargons that we hear on a daily basis. All are discussing these technologies and their impact on our lives. Migration from old systems to the I4.0 standard is taking place at the moment. Giants in manufacturing are trying to capitalize on the market and quickly grow to make it difficult for others to compete. While more optimized manufacturing processes and caring for the environment is admirable, less competition in the industry is contrary to I4.0's goal. In the first part of this work, an economic solution is proposed for small manufacturers to join the digitalization trend with a small amount of investment. Enable old industrial machines to have M2M capabilities and communicate through protocols like OPC-UA. The second part consists of a methodology for studying humans activity in an interactive scenario between machine and human. The result of this work can be used to automate tasks such as method-time measurement (MTM). For this purpose, a coffee vending machine considered as a case study. Later, an unsupervised machine learning algorithm (k-means) employed to identify the undergoing task. The power consumption of the machine observed. The acquired data is a time series. In order to transform this time series into a classical machine learning scenario, it's needed to reshape the data. The first stage of the data analysis pipeline is the data cleaning and smoothing the noisy signal. Then by using a sliding window method, we separate the activities from all the signals. The next stage is feature extraction to feed the machine learning method.

Internet of things, Bid Data, Intelligenza artificiale, Industria 4.0 sono ormai nel gergo che usiamo ogni giorno (quotidianamente). Molti stanno discutendo sull’impatto che queste tecnologie possono e potranno avere sulle nostre vite. La migrazione dai vecchi sistemi verso i nuovi standard dell’ I4.0 si sta svolgendo proprio in questo momento. I giganti della produzione (o industria o manufacturing) stanno cercando di capitalizzare il mercato crescendo rapidamente per rendere difficile la competizione per gli altri. Mentre i più ottimizzati processi di produzione e il riguardo verso l’ambiente sono ammirabili, la minor competizione sul mercato è invece contraria agli obiettivi dell’ I4.0. Nella prima parte di questo lavoro, è proposta una soluzione economica per le piccole produzioni affinché possano seguire la digitalization trend con un investimento minimo. Consentendo alle vecchie macchine industriali di acquisire capacità M2M e di comunicare attraverso protocolli come il OPC-UA. La seconda parte espone una metodologia per studiare l’attività umana (il fattore umano) in uno scenario interattivo tra macchina e uomo. Il risultato di questo lavoro può essere usato per attività automatizzate come metodi di misurazione delle tempistiche (MTM). A questo proposito, è stata considerata come caso di studio un distributore automatico di caffè. Successivamente, un algoritmo di apprendimento macchina senza supervisione (k-means) è stato impiegato per identificare l’attività corrente. Si è osservato il consumo di energia della macchina. Il dato collezionato è in serie temporale. Per trasformare queste serie temporali in un classico scenario di machine learning, è necessario riconfigurare i dati. Il primo stadio della stringa di data analisi è la pulitura e l’appiattimento del rumore di fondo (the segnale di disturbo). Allora usando un sistema sliding window (a porte scorrevoli), noi abbiamo separato (si è separato) le attività da tutti i segnali. L’ultimo stadio è l’estrazione delle caratteristiche per alimentare l’algoritmo di machine learning.