Development of soft sensors based on machine learning for detection of anomaly working conditions in automated machinery

In contemporary process industries, quality control systems are key elements that have received a particular attention in the last decades. It is in the interest of companies the research of new and innovative ways to minimize the volume of non-compliant products. Intelligent quality control is crucial when the evaluation of the process’ outcome is not a banal task (i.e. when a simple visual inspection is time consuming or not technically feasible). The building of a reliable smart control system starts with the identification of the main process variables that have effect on the condition of the finite product. If those key-variables are not measurable in real time, their value can be usually derived by means of sensor measurements (Soft-sensors); to do so, an algorithm must be explicitly trained to put in relation the inaccessible variables with the available measurements. In this specific research, the Big Wheel, an automated machinery produced by GDM company and devoted to the construction of hygienic diapers, is considered. The alignment condition between anvil and sonotrode, two functional parts of the welding unit mounted on the Big Wheel, is the inaccessible key-variable, whereas some accelerometers have been mounted on the machinery to collect signals in real time. Changings in rotational speed, according to the production rate required, generate variations in the accelerations. Some soft sensors based on machine learning are built to detect non-compliant products, while handling different operative conditions, such as changes in rotational speed or different working pressures.

Nelle moderne industrie di processo, i sistemi di controllo qualità sono elementi che hanno ricevuto un’attenzione particolare negli ultimi anni. È interesse delle aziende lo sviluppo sistemi innovativi per ridurre al minimo la quantità di prodotti difettosi. Un sistema di controllo intelligente è necessario quando la valutazione della qualità del prodotto finale non è un’operazione immediata (Per esempio, quando una ispezione visiva risulterebbe troppo lunga, o tecnicamente infattibile). La progettazione di controlli intelligenti e affidabili comincia con l’identificazione di tutte quelle variabili di processo che influiscono sulla condizione del prodotto finito. Se queste variabili chiave non sono direttamente accessibili per una misurazione in tempo reale, il loro valore può essere solitamente derivato tramite misurazioni di altri sensori (Sensori virtuali); per rendere possibile tutto ciò, un algoritmo deve essere addestrato al fine di mettere in relazione le variabili inaccessibili con le misurazioni disponibili. In questa ricerca studieremo un macchinario automatico prodotto dall’azienda GDM, dedito alla produzione di pannolini (Big Wheel). La condizione di allineamento tra sonotrodo e incudine, due gruppi funzionali dell’unità di saldatura montata sulla Big Wheel, è la variabile inaccessibile, mentre alcuni accelerometri sono stati collocati sul macchinario per collezionare segnali in tempo reale. Il volume di produzione richiesto impone dei cambiamenti nella velocità di rotazione del macchinario, producendo in tal modo variazioni nelle accelerazioni. Alcuni sensori virtuali, basati sul machine learning, sono stati studiati al fine di identificare prodotti difettosi, riuscendo allo stesso tempo a gestire diverse condizioni operative, tra cui variazioni della velocità di rotazione e differenti pressioni di esercizio.