Quality oriented management in production Ramp-up

The increasing complexity and demand for customisation in manufacturing is challenging traditional production systems to keep pace with rapid market changes. This research addresses the critical need for adaptability in manufacturing processes, particularly during the ramp-up phase, formally denoted as the period from the production of the first item after a system reconfiguration until the achievement of the specified target output rate. The ramp-up phase is critical to achieving production quality and efficiency goals. Inspired by current literature, the present study introduces a framework that employs Adaptive Neuro-Fuzzy Inference Systems (ANFIS) to enhance real-time process control during the ramp-up phase. Initially, various aspects of ramp-up are described, such as instabilities, planning, and reconfiguration points, alongside a discussion of the main criticalities. Afterwards, the ANFIS model is presented as architecture capable of studying the process, predicting, and consequently modifying the process parameters before scrap or failure occurs. Its use during the ramp-up phase can initiate improvement actions and reconfiguration processes, enabling adaptive enhancements and efficient adjustments to production lines in response to evolving demands and challenges. The model is formulated, tested, and analysed using real industry data. The results obtained and potential development scenarios are also examined. Through combining fuzzy logic and neural networks, ANFIS is presented as an efficient model for comprehending and administering the intricate relationships inherent to contemporary manufacturing systems. The implementation of the ANFIS in manufacturing systems presents challenges. The model relies on high quality data, and it is prone to overfitting. Nevertheless, the research supports the use of ANFIS, given its ability to evolve and enhance production environments. The study highlights the capability of ANFIS to function as a valuable tool for strategic decision-making, cultivating constant enhancement and driving the progression of manufacturing towards a smarter, more connected, and responsive ecosystem.

La crescente complessità e domanda di personalizzazione nella produzione sta sfidando i sistemi di produzione tradizionali per tenere il passo con i rapidi cambiamenti del mercato. Tra i temi più critici vi è la necessità di adattamento dei processi di produzione, in particolare durante la fase di ramp-up, formalmente indicato come il periodo dalla produzione del primo elemento dopo una riconfigurazione del sistema fino al raggiungimento del target prefissato. La fase di ramp-up è fondamentale per raggiungere gli obiettivi di qualità ed efficienza della produzione. Ispirato dalla letteratura corrente, il presente studio introduce il modello ANFIS per migliorare il controllo di processo in tempo reale durante la fase di ramp-up. Inizialmente, vengono descritti vari aspetti della fase di ramp-up, come instabilità, pianificazione e punti di riconfigurazione, oltre a una discussione delle principali criticità. Successivamente, il modello viene presentato come un'architettura in grado di studiare il processo, prevedere e modificare i parametri di processo prima che si verifichino scarti di produzione o guasti. Il suo utilizzo può avviare azioni di miglioramento e di riconfigurazione, consentendo miglioramenti efficienti alle linee di produzione in risposta alle sfide crescenti. Il modello è formulato, testato e analizzato utilizzando dati aziendali reali. I risultati ottenuti e gli scenari di sviluppo potenziali vengono discussi. Attraverso la combinazione di logica fuzzy e reti neurali, ANFIS si presenta come un modello capace per comprendere e amministrare le relazioni intricate dei sistemi di produzione. L'implementazione del modello nei sistemi di produzione presenta delle sfide. Il sistema si basa su dati di alta qualità ed è soggetto a overfiting. Tuttavia, la ricerca supporta il suo utilizzo, data la sua capacità di evolvere e migliorare il sistema di produzione. Lo studio evidenzia la capacità di ANFIS di funzionare come uno strumento efficiente per il processo decisionale strategico, promuovendo un miglioramento costante e spingendo la progressione della produzione verso un ecosistema più intelligente, più connesso e reattivo.