Development of a methodology for designing products for de-manufacturing exploiting artificial intelligence

The multitude of changes that are happening in the world must be tackled in a structured and rigorous way. Given the importance of manufacturing industry in the European context, the impacts that these changes have on it are huge and should be addressed. Scarcity of resources, demographic growth and social changes, environmental issues and climate change are just some of the most important megatrends which are leading to the need to revolutionize the way value is created and delivered to customers. The adoption of Circular Economy approaches represents the solution to most of these issues and must be supported by a strict strategy which should start with the complete re-design of products and, consequently, of business models. Currently, products are designed and engineered for satisfying functional requirements and ensure the pace of technological change, without any particular attention posed on their lifecycle. The path toward a large-scale implementation of Circular Economy approaches like Reuse, Repair, Remanufacturing and Recycling must be undertaken and should start with a correct design for product lifecycle. A clear framework is presented for tackling all the critical aspects related to the introduction of CE strategies in every manufacturing industry, allowing to guarantee the maximum exploitation of synergies for the manufacturers. An important boost is provided by the introduction in the framework of enabling technologies like Machine learning algorithms and Generative design, which allow to speed up and lighten some phases of the process. The proposed framework starts with the definition of the strategy that is willing to pursue, and the consequent setting of KPIs for measuring the desired performances in a co-evolutionary approach, thus considering products, processes, and system together. These preliminary stages are followed by the core part of the method which consists in the exploitation of Machine Learning tools for enabling a precise evaluation of existing design configurations under the defined measures of interest. The phase of evaluation and exploration of results is followed by the decision on whether to be satisfied with an existing solution or to generate new design configurations, through the use of Generative Design tools, modifying the existing space of feasible solutions. Particular attention is posed on the phase of relevant data identification and collection, in order to guarantee the robustness of Machine Learning built models. The methodology is then applied to a complex and critical product which is Lithium-ion batteries for Electric Vehicles. The relevance of this product in the current and future scenarios and the complexity related to its end-of-life management makes it a perfect starting point for testing the proposed method. The phase of evaluation of solutions is carried out through the training of a regression algorithm able to learn the existing relationships between variables describing the product configurations and the related Easiness of Disassembly.

I continui cambiamenti che si stanno svolgendo negli ultimi anni devono essere affrontati con un approccio sistematico e rigoroso. Vista l’importanza che l’industria manifatturiera ha nel contesto europeo, le conseguenze dei cambiamenti su quest’ultima sono molto importanti e devono essere trattate. La scarsità di risorse, la crescita demografica ed il cambiamento sociale, il cambiamento climatico ed i problemi ambientali che ne derivano sono solo alcune delle più importanti tendenze che stanno portando alla necessità di una completa ridefinizione del modo in cui il valore è creato e offerto al cliente. L’adozione delle tecniche e degli approcci legati all’Economia Circolare rappresenta l’unica soluzione per fronteggiare gran parte dei cambiamenti menzionati, ma deve essere supportata da un approccio strategico e rigoroso che dovrebbe partire con la riprogettazione dei prodotti, e conseguentemente del modello di business dell’azienda. Al momento, i prodotti sono pensati e disegnati per rispondere ai bisogni dei clienti, e per garantire il giusto tasso di cambiamento tecnologico. Nessuna attenzione è posta al ciclo di vita del prodotto al momento della sua progettazione. Il percorso che porta ad una introduzione su larga scala di tecniche come il riuso, il re-manufacturing ed il riciclo deve essere intrapreso e deve partire con il corretto design dei prodotti pensando al loro ciclo di vita. All’interno dell’elaborato viene presentato un preciso framework che affronta tutti gli aspetti critici legati all’implementazione delle tecniche di Economia Circolare all’interno di una qualsiasi azienda manufatturiera, consentendo di sfruttare le potenziali sinergie per i produttori. La metodologia prevede l’utilizzo di importanti tecnologie di supporto quali il Machine learning, che rappresenta uno strumento per alleggerire e velocizzare certe fasi del processo. Il framework proposto inizia con una chiara definizione della strategia che l’azienda vuole perseguire, proseguendo con la configurazione di un insieme di KPIs volti a misurare le prestazioni seguendo un approccio di co-evoluzione, ossia tenendo conto dell’indivisibile relazione tra prodotto, processo e sistema. Queste prime fasi sono seguite dal fulcro della metodologia, che prevede l’utilizzo di algoritmi di Machine learning per valutare le configurazioni di prodotti esistenti, in base a ciascuna misura definita precedentemente. Dopo una precisa valutazione ed esplorazione dei risultati, l’azienda deciderà se esistono configurazioni in grado di rispettare le performance desiderate, o se proseguire con la fase di Generative design, dando in input al sistema le giuste variabili e vincoli. Un’attenzione particolare è posta alla fase di selezione e raccolta dei dati necessari ad alimentare gli algoritmi, per garantirne la robustezza e l’ottimizzazione dei risultati. Il framework è applicato ad un prodotto complesso e di particolare interesse: le batterie agli ioni di litio per i veicoli elettrici. L’importanza di tale prodotto nello scenario attuale e futuro, assieme alla complessità della sua gestione a fine vita fa sì che questo prodotto sia un perfetto punto di partenza per testare la metodologia proposta. La fase di valutazione delle configurazioni esistenti è svolta allenando un algoritmo di regressione capace di imparare le relazioni esistenti tra specifiche del prodotto ed una particolare performance che è la facilità di disassemblaggio.