A Shop Floor Production Scheduling Case based on RFID-supported Smart Factory

Nel cuore frenetico di una fabbrica moderna, il ritmo della produzione è spesso dettato dalla mano invisibile di un programma. Questo programma è un piano che decide quale macchina lavora su quale componente e quando, con l'obiettivo di completare i prodotti nel modo più rapido ed economico possibile. Per decenni, questi piani si sono basati su un insieme di assunzioni: che ogni lavoro segua un percorso rigido e immutabile attraverso la fabbrica, e che il tempo necessario per completare un compito sia un numero fisso noto in anticipo. Tuttavia, la vita reale è raramente così ordinata. Le macchine si guastano, i lavoratori fanno pause e la velocità di produzione cambia a seconda dell'ora del giorno o del giorno della settimana. Quando un programma ignora queste fluttuazioni, crea colli di bottiglia, sprechi di tempo e ritardi nelle consegne. La sfida per gli ingegneri è creare un sistema che possa vedere questi cambiamenti mentre avvengono e regolare il piano istantaneamente, trasformando un progetto rigido in una strategia flessibile e viva.

Per risolvere questo problema, un team di ricercatori dell'Università di Hong Kong si è rivolto a una fabbrica reale a Huaiji, in Cina, dove un'azienda che produce valvole per motori automobilistici aveva già installato una rete di tag di identificazione a radiofrequenza, o RFID. Questi piccoli chip elettronici, attaccati ai componenti che si muovono lungo la linea di assemblaggio, agiscono come passaporti digitali, registrando automaticamente ogni passaggio che un prodotto compie, chi lo ha maneggiato e esattamente quando ha terminato un compito. Raccogliendo oltre 413.000 record di questa attività, i ricercatori hanno ottenuto una visione rara e ad alta definizione di come la fabbrica operi realmente, piuttosto che di come teoricamente dovrebbe funzionare. Hanno utilizzato questo enorme flusso di dati per scoprire due verità critiche che i metodi di pianificazione tradizionali trascurano. In primo luogo, hanno scoperto che l'ordine in cui i lavoratori eseguono determinati passaggi non è fisso. Per una specifica valvola del motore, il team ha scoperto che i lavoratori spesso scambiano la sequenza delle operazioni, come la fresatura e la foratura, senza influire sulla qualità finale. In secondo luogo, si sono resi conto che il tempo necessario per completare un compito non è un numero singolo, ma una variabile che cambia in base a fattori come l'ora del giorno, se si tratta di un fine settimana e la macchina specifica utilizzata.

Armati di queste intuizioni, i ricercatori hanno costruito un nuovo tipo di sistema di pianificazione che non si basa su regole statiche, ma impara invece dai dati. Hanno inserito i modelli che hanno trovato — le sequenze flessibili e le velocità variabili — in un programma informatico basato sul deep reinforcement learning (apprendimento per rinforzo profondo). Si tratta di un tipo di intelligenza artificiale che impara per tentativi ed errori, proprio come un giocatore che padroneggia un complesso videogioco. In questo caso, il "videogioco" è il pavimento di fabbrica. L'agente di IA è stato inserito in una simulazione virtuale della fabbrica di Huaiji, dove riceveva lo stato in tempo reale di macchine e lavori. Gli è stato permesso di prendere decisioni, come assegnare un lavoro specifico a una macchina specifica o attendere un'opportunità migliore. Ogni volta che prendeva una decisione, riceveva un feedback basato su quanto bene quella scelta aiutasse a completare tutti i lavori nel minor tempo totale. Attraverso migliaia di prove simulate, il sistema ha imparato una strategia sofisticata per navigare nel caos della vera fabbrica, adattando le sue decisioni alle condizioni mutevoli che osservava.

I risultati di questo approccio sono stati testati rispetto ai metodi attualmente utilizzati nel settore, inclusi i semplici algoritmi "first in, first out" (il primo che arriva è il primo che viene servito), dove i lavori vengono elaborati nell'ordine in cui arrivano, e algoriti informatici più avanzati. Nelle simulazioni, il nuovo sistema, guidato dai dati RFID e dal modello di apprendimento, ha costantemente superato gli altri. È riuscito a completare un lotto di venti lavori in 476 minuti, battendo il secondo miglior metodo, che ne impiegava 485. Sebbene la differenza possa sembrare piccola, nel mondo ad alto volume della produzione, risparmiare anche solo pochi minuti per lotto si traduce in significativi guadagni in termini di efficienza e risparmio sui costi. Lo studio ha dimostrato che lasciando che il sistema di pianificazione veda la realtà effettiva e disordinata del pavimento di fabbrica attraverso i dati, piuttosto che fare affidamento su ipotesi idealizzate, è possibile creare un piano di produzione che sia sia più intelligente che più veloce. Questo lavoro suggerisce che il futuro della produzione intelligente non risiede solo nell'automazione delle macchine, ma nell'automazione del processo decisionale stesso, permettendo alle fabbriche di fluire con l'andamento naturale della produzione anziché combatterne contro.