Saldatura dei pacchetti e qualità predittiva: ricerca e innovazione
Grazie a modelli virtuali e Machine Learning, stiamo realizzando una rivoluzione per il processo di saldatura dei pacchetti. Scopri il progetto Adaptive Sealing System
La saldatura dei pacchetti svolge un ruolo cruciale per l’affidabilità del processo di confezionamento e per la garanzia di qualità e sicurezza alimentare dei prodotti confezionati.
In uno scenario che richiede un’affidabilità produttiva sempre maggiore e scadenze serrate, un processo di saldatura con performance ripetibili nel tempo può ridurre concretamente i rischi legati alla sicurezza alimentare e assicurare una pianificazione della produzione efficiente e ottimale.
Per questo Galdi ha avviato un progetto ad alta innovazione chiamato Adaptive Sealing System che punta ad ottimizzare gli standard qualitativi del processo di saldatura, in particolare del tetto.
Dalla qualità predittiva ad un sistema adattivo in tempo reale
Il progetto di ricerca e sviluppo avviato da Galdi rappresenta di fatto un’innovazione esclusiva, unica nel mondo delle confezionatrici per prodotti alimentari.
Per la fase di ricerca, abbiamo potuto contare sul supporto degli specialisti della Scuola Internazionale Superiore di Studi Avanzati (SISSA) di Trieste e dell’Università degli studi di Padova.
Il progetto segue un iter di sviluppo in 3 step:
Fase 1
Il primo step già realizzato ha avuto come focus l’implementazione della qualità predittiva attraverso la virtualizzazione del processo di saldatura dei pacchetti, nell’ottica delle implementazioni realizzate grazie all’Industria 4.0.
L’obiettivo delle simulazioni effettuate con il modello virtuale (Digital Twin) è predire i setpoint ottimali di qualità della saldatura prima della progettazione e dei test.
I dati ottenuti consentono di migliorare la precisione delle soluzioni progettuali. Questo si traduce in:
Vantaggi per Galdi:
- Riduzione della durata del ciclo di sviluppo dei prodotti, grazie alla possibilità di verificare la fattibilità di processare nuovi pacchetti, nuovi materiali, nuove geometrie senza l’esigenza di avere la macchina fisica.
Vantaggi per i clienti:
- Confezionatrici più affidabili e maggiori garanzie di ripetibilità delle performance
- Riduzione del time to market
- Riduzione del tempo di setup della macchina in fase di installazione
Fase 2
Nel secondo step, i dati ricavati dai modelli virtuali sono stati utilizzati per l’addestramento di un modello di Machine Learning per predire la qualità della saldatura in tempo reale.
Rispetto al modello virtuale, questa soluzione consente di infatti ottenere la predizione in un tempo infinitesimale (1-2 ms a differenza di diverse ore) permettendo quindi l’applicazione della qualità predittiva al processo di confezionamento.
Grazie all’immediatezza garantita dal modello di Machine Learning, saremo in grado di sviluppare un kit di scarto automatico dei pacchetti non conformi, che sarà installato in futuro sulle macchine nuove o con un upgrade sulle confezionatrici di nuova generazione.
La funzionalità automatizzata permetterà di scartare in modo selettivo le confezioni che hanno ricevuto una predizione di qualità non accettabile.
La ricerca è diventata anche l’argomento della tesi di laurea di Davide Frizzo dal titolo “Development of Machine Learning models for Packet Quality Prediction in industrial machines” (Università degli Studi di Padova) che si è occupato direttamente dello sviluppo di alcuni modelli di Machine Learning.
Fase 3
Il passo successivo è rappresentato dalla possibilità di garantire ancora maggiore robustezza e ripetibilità delle performance del processo, attraverso il controllo continuativo e adattativo delle condizioni di lavoro del sistema di saldatura dei pacchetti.
Sarà quindi il sistema ad adattare in tempo reale i suoi parametri in funzione delle variazioni nelle condizioni di lavoro, garantendo:
- qualità eccellente e costante delle saldature
- riduzione del failure rate
- riduzione degli scarti e degli sprechi
- riduzione dei rischi di contaminazione