Analysis and data-driven modelling of durum wheat debranning: a case study from Barilla Pedrignano Mill

This thesis represents a detailed report of the six-month internship carried out at the Barilla G. e R. Fratelli S.p.A. plant in Pedrignano (PR). The project is part of a program aimed at digitizing production processes for continuous improvement. The focus of the project was on the durum wheat milling plant at the facility, one of the largest industrial durum wheat mills in Europe. The main activity was related to the creation of datasets that were representative and consistent with the real process, making them usable for analysis of process data which were previously employed only for monitoring through dashboards. Currently, process parameter adjustments are performed manually based on the experience gained by the millers, with a reactive management approach in response to the characteristics of the final product. Using Python and its libraries, these datasets were created, improving product traceability throughout the various milling stages. The data analysis aimed to model the causal relationships between the changes in the process state operated by the millers and the final product characteristics. The complexity of the milling process required separate study of its various stages, starting with debranning, one of the most critical and least studied phases. Barilla was among the first companies to introduce this step in the durum wheat milling process, and there is limited literature about this topic. Despite the challenges in creating a statistical model for causal inference, important insights and improvement suggestions were obtained for the Pedrignano plant, partially verifying some effects of process parameter variations on specific output variables. The results of these six months represent a starting point for the continuous improvement of the process and the quality of the data, with the ultimate goal of creating a statistical model that helps to further optimize the milling process and increase its level of automation.

Questa tesi rappresenta un rapporto dettagliato dell’attività di tirocinio di sei mesi svolta presso lo stabilimento di Barilla G. e R. Fratelli S.p.A. di Pedrignano (PR). Il progetto si inserisce in un programma di digitalizzazione dei processi produttivi, mirato al miglioramento continuo. L'attenzione del progetto si è focalizzata sull'impianto molitorio di grano duro dello stabilimento, uno dei più grandi mulini di grano duro industriali d’Europa. L'attività principale ha riguardato la creazione di dataset rappresentativi e coerenti con il processo reale, utilizzabili per analisi sui dati di processo, che finora venivano impiegati solo per il monitoraggio tramite dashboard. Attualmente, la regolazione dei parametri di processo è manuale e basata sull’esperienza dei mugnai, con una gestione reattiva in risposta alle caratteristiche del prodotto finale ottenute. Utilizzando Python e le sue librerie, è stato possibile creare tali dataset, migliorando la tracciabilità del prodotto nelle varie fasi di macinazione. Le analisi sui dati di processo avevano lo scopo di modellare le relazioni causali tra la gestione operata dai mugnai e le caratteristiche finali del prodotto. La complessità del processo di molitura ha richiesto uno studio separato delle sue diverse fasi, iniziando dalla decorticazione, una delle più critiche e meno studiate. Barilla è stata tra le prime aziende a introdurre questo passaggio nel processo di macinazione del grano duro, e la letteratura esistente è scarsa su questo argomento. Nonostante le difficoltà nel realizzare un modello statistico allo scopo di fare inferenza causale, sono stati ottenuti importanti spunti di miglioramento per l'impianto di Pedrignano, verificando parzialmente alcuni effetti delle variazioni dei parametri di processo su determinate variabili di output. I risultati di questi sei mesi rappresentano un punto di partenza per il continuo miglioramento del processo e della qualità dei dati, con l'obiettivo finale di creare un modello statistico che aiuti ad ottimizzare ulteriormente il processo di macinazione e ad aumentarne il livello di automazione.