Cento pezzi al minuto su quattro linee di pressofusione. Il controllo visivo manuale era l'unico filtro tra la produzione e il cliente, un tier-1 automotive che non perdona. Tre ispettori per turno, turni da otto ore, calo di concentrazione fisiologico nelle ultime due: i difetti che passavano lo facevano quasi sempre nella terza parte del turno. Il cliente è sotto NDA. Abbiamo installato un sistema di visione artificiale che ispeziona ogni pezzo in linea, riconosce 23 tipologie di difetto e fermo la produzione prima che il pezzo difettoso raggiunga il fine linea. I difetti non rilevati sono calati dell'82%.
La pressofusione di alluminio è un processo ad alta produttività e alta complessità. Metallo fuso iniettato a pressione in stampi di acciaio, solidificazione rapida, estrazione, rifinitura. In condizioni ottimali, una macchina produce un pezzo ogni 45-90 secondi. Quattro macchine in parallelo producono migliaia di componenti al giorno.
Per un fornitore tier-2 che consegna a un tier-1 automotive, ogni pezzo difettoso che supera il controllo qualità è un problema con conseguenze concrete e quantificabili: fermo linea del cliente, analisi 8D obbligatoria, rischio di claim, e nel caso peggiore messa in discussione del fornitore come partner qualificato. Le specifiche di qualità nei contratti automotive tier-2 sono precise e non negoziabili.
Per il cliente di questo progetto, una fonderia di medie dimensioni con quattro isole di pressofusione e due linee di finitura, il sistema di controllo qualità in essere era manuale: tre ispettori per turno, con responsabilità di controllare visivamente ogni pezzo su quattro caratteristiche principali (porosità superficiale, inclusioni, ritiro, bave non conformi) prima dell'imballaggio finale.
Il sistema funzionava. Fino a un certo punto.
Prima di progettare qualsiasi soluzione, abbiamo analizzato sei mesi di dati di qualità: i claim ricevuti dal tier-1, i controlli interni, e in particolare la distribuzione temporale dei difetti non rilevati.
Il pattern era netto e replicabile su tutti e quattro i turni:
Nelle prime tre ore di turno, il tasso di difetti non rilevati dagli ispettori era basso e stabile: circa il 2-3% dei pezzi difettosi riusciva a passare il controllo visivo. Nelle ultime due ore, lo stesso tasso saliva progressivamente fino a toccare il 14-18%. Nella settimana con più caldo (agosto), aveva toccato il 24% nella seconda metà dei turni pomeridiani.
Non era negligenza. Era fisiologia. Ispezione visiva ripetitiva ad alta frequenza su oggetti molto simili tra loro, in un ambiente con temperatura elevata e rumore costante, produce calo di attenzione. Lo produceva prevedibilmente, a orari prevedibili, con un impatto misurabile e significativo sulla qualità in uscita.
Il secondo dato rilevante: tre dei sette claim ricevuti nell'anno precedente erano concentrati nei pezzi prodotti nelle ultime due ore dei turni pomeridiani. Non era una coincidenza.
Oltre al problema della concentrazione, il controllo visivo manuale aveva due limiti strutturali.
Limite 1: soggettività della valutazione. La specifica di qualità del cliente definisce i difetti ammissibili con disegni e campioni di riferimento. Ma l'applicazione della specifica su pezzi reali ha sempre una componente soggettiva: un ispettore tende a essere più o meno severo di un altro sulle stesse caratteristiche. Questo produce variabilità nel tasso di reiezione che il cliente percepisce come inconsistenza.
Limite 2: assenza di tracciabilità. Un pezzo che viene rifiutato dall'ispettore non produce un dato strutturato: al massimo finisce in un cassone di scarto. Non c'è registrazione della tipologia di difetto, della macchina di provenienza, dell'ora di produzione. Senza questi dati, è impossibile fare analisi di causa radice sistemica: si sa che ci sono difetti, non si sa perché, quando, e su quale macchina si concentrano.
Entrambi questi limiti avevano implicazioni dirette sulla capacità di miglioramento del processo: senza dati strutturati, ogni azione correttiva era basata su intuizioni invece che su evidenze.
Il sistema installato è composto da stazioni di ispezione posizionate dopo ogni fase critica del processo: post-estrazione dallo stampo, post-sbavatura, e post-finitura prima dell'imballaggio. Ogni stazione ha un array di telecamere industriali (luce strutturata per i difetti di superficie, luce trasmessa per i difetti interni), un sistema di movimentazione che posiziona il pezzo nelle orientazioni necessarie per l'ispezione completa, e un'unità di elaborazione locale con il modello di visione.
L'ispezione di un pezzo dura tra 0,3 e 0,8 secondi a seconda della complessità geometrica. La linea non si ferma: i pezzi scartati vengono deviati automaticamente su un convogliatore separato, con etichettatura che registra macchina, ora, tipologia di difetto rilevata.
I pezzi che superano tutte le stazioni vengono marcati digitalmente come conformi e procedono all'imballaggio. Il sistema genera un report di qualità in tempo reale visibile dagli operatori di macchina e dal responsabile qualità.
Il modello di visione è stato costruito su un dataset di immagini raccolto in tre fasi.
Fase 1: raccolta sul campo. Nelle prime quattro settimane, le telecamere sono state installate in modalità passiva, senza che il sistema prendesse decisioni: fotografavano ogni pezzo, e ogni immagine veniva classificata manualmente dall'ispettore che continuava il suo lavoro in parallelo. Questo ha prodotto circa 47.000 immagini classificate, distribuite tra conformi e difettose, e tra le varie tipologie di difetto.
Fase 2: classificazione e arricchimento. Le 47.000 immagini sono state revisionate dal responsabile qualità e dal metallurgista interno per verificare la correttezza delle classificazioni e assegnare un'etichetta granulare a ogni difetto (tipo, posizione, dimensione approssimativa). Le immagini con classificazione ambigua (borderline tra conforme e non conforme secondo le specifiche) sono state discusse con il cliente tier-1 e classificate secondo la loro interpretazione della specifica.
Fase 3: data augmentation e training. Le 47.000 immagini reali sono state arricchite con tecniche di augmentation (rotazione, variazione di illuminazione, aggiunta di rumore realistico) per portare il training set a oltre 200.000 immagini. Il modello è stato addestrato con validazione cross-fold su un set di riserva non usato nel training.
Le 23 tipologie di difetto riconosciute includono: porosità superficiale (classificata per dimensione e distribuzione), inclusioni gassose affioranti, cricche superficiali, ritiro in zone critiche, bave eccedenti la specifica, dimensioni fuori tolleranza (rilevate tramite misura dimensionale da telecamera calibrata), marcatura incompleta o illeggibile.
Un modello di visione per il controllo qualità ha due tipi di errori con conseguenze asimmetriche.
Falso negativo (pezzo difettoso classificato come conforme): il pezzo arriva al cliente. È il difetto che si vuole eliminare. Costo elevato.
Falso positivo (pezzo conforme classificato come difettoso): il pezzo viene scartato inutilmente. Costo basso unitariamente, ma se la percentuale di falsi positivi è alta, il tasso di scarto sale in modo ingiustificato e il sistema perde credibilità agli occhi degli operatori.
Il calibrazione del modello ha richiesto una scelta esplicita sulla soglia: quanto è accettabile sacrificare in termini di falsi positivi per ridurre i falsi negativi? La risposta dipende dal costo di ogni tipo di errore, che in questo caso è molto asimmetrico.
Abbiamo concordato con la direzione qualità un target: tasso di falsi negativi sotto il 3% (1 pezzo difettoso ogni 33 che supera il filtro), accettando un tasso di falsi positivi fino al 7% (7 pezzi conformi scartati ogni 100 pezzi totali scartati). Questa calibrazione ha portato a impostare soglie conservative per le tipologie di difetto ad alto impatto (cricche, porosità in zone funzionali) e soglie più permissive per difetti estetici minori.
Dopo sei settimane di operatività reale, il tasso effettivo di falsi negativi si è assestato al 2,1% e il tasso di falsi positivi al 5,8%, in linea con i target.
I dati di ispezione non servono solo a scartare i pezzi difettosi. Sono la fonte più ricca di informazioni sul comportamento del processo che questa fonderia abbia mai avuto.
Ogni pezzo difettoso è tracciato: macchina, stampo, cavità (se lo stampo ha più cavità), ora di produzione, temperatura del metallo, numero di ciclo dalla ripresa dopo manutenzione. Questi metadati, aggregati sui dati di difettosità, permettono di rispondere a domande che prima erano impossibili da affrontare sistematicamente.
Il dashboard di analisi mostra in tempo reale e su base storica:
Difettosità per macchina. Se una macchina ha sistematicamente una difettosità più alta, c'è un problema di manutenzione o regolazione. Il sistema permette di vederlo in ore, non in settimane.
Difettosità per cavità stampo. Uno stampo multi-cavità con una cavità problematica produce pezzi difettosi in modo concentrato. Senza tracciabilità a livello di cavità, il problema si manifesta come variabilità generica difficile da localizzare. Con il sistema, la cavità problematica si identifica in pochi turni.
Difettosità per fase del turno. Il dato che aveva giustificato il progetto: ora visibile in modo continuo, con alert automatico se la difettosità nelle ultime due ore del turno supera una soglia.
Correlazione con parametri di processo. Il sistema incroci i dati di difettosità con i log del processo (temperatura stampo, pressione di iniezione, tempo di solidificazione) e segnala automaticamente le correlazioni statisticamente significative.
Questo ha prodotto, nei primi mesi di operatività, sei azioni correttive su problemi che erano noti vagamente ma non erano mai stati quantificati con precisione: una cavità di uno stampo che produceva bave sistematiche sopra la specifica, una macchina con variabilità di temperatura stampo eccessiva nelle prime ore del turno, e una correlazione tra difettosità e temperatura ambiente del capannone non precedentemente documentata.
Il sistema di visione si integra con il gestionale qualità già in uso, alimentando automaticamente i registri di controllo qualità che prima venivano compilati manualmente dagli ispettori. La documentazione obbligatoria per il cliente tier-1 (piano di controllo, report di non conformità) viene generata direttamente dal sistema senza lavoro manuale aggiuntivo.
Quando il sistema rileva un cluster di difetti che supera una soglia configurabile (più di X pezzi con lo stesso tipo di difetto in un intervallo di Y minuti), genera automaticamente un'allerta e avvia il flusso di apertura di una non conformità interna nel gestionale. Il responsabile qualità riceve la notifica su tablet, con le immagini dei pezzi difettosi e i metadati di processo, e decide se fermare la produzione, aggiustare i parametri, o monitorare ulteriormente.
I dati misurati sui sei mesi successivi al go-live, confrontati con il semestre precedente:
Difetti non rilevati a fine linea: riduzione dell'82%. I claim ricevuti dal tier-1 nei sei mesi post-installazione sono stati uno solo, contro sette nel semestre precedente.
Tasso di scarto interno: aumentato inizialmente (il sistema rileva difetti che prima passavano), stabilizzato dopo tre mesi a un livello leggermente superiore alla baseline pre-sistema, ma con composizione completamente diversa. Lo scarto ora è controllato e documentato, non casuale.
Variabilità tra turni: ridotta significativamente. Il tasso di difettosità in uscita è ora uniforme tra primo e terzo turno, il che non era mai stato il caso con il controllo manuale.
Ore di ispezione manuale: ridotte del 60%. Gli ispettori non sono stati eliminati: il loro ruolo si è spostato dalla prima ispezione in linea alla revisione dei pezzi segnalati dal sistema come borderline e alla gestione delle non conformità documentate.
Azioni correttive generate: 18 azioni correttive documentate nei sei mesi, contro le 3 del semestre precedente. Il numero più alto non indica più problemi: indica che finalmente i problemi vengono visti, tracciati e affrontati invece di restare invisibili.
L'effetto forse più rilevante non è nei numeri di qualità interni. È nel posizionamento dello stabilimento come fornitore.
Il tier-1 ha effettuato, nel quarto mese dall'installazione, un audit di qualità programmato. La presentazione del sistema di visione artificiale, con la dashboard di analisi in tempo reale e la documentazione strutturata degli ultimi mesi, ha ottenuto un giudizio formale di "fornitore con sistema di controllo avanzato", categoria che comporta una riduzione della frequenza degli audit di accettazione in ingresso da parte del tier-1 e, in prospettiva, l'apertura a nuove famiglie di componenti riservate ai fornitori qualificati.
Questo non era nell'obiettivo dichiarato del progetto. È diventato l'argomento più usato dalla direzione per giustificare l'investimento all'interno dell'azienda.
Le due evoluzioni in cantiere per i prossimi 12 mesi:
Ispezione dimensionale completa. Il sistema attuale misura alcune dimensioni critiche tramite telecamera calibrata, ma non esegue la misurazione dimensionale completa del pezzo. L'integrazione con un sistema di misura 3D in linea (profilometro laser) permetterebbe di eliminare completamente il campionamento dimensionale manuale attualmente eseguito ogni 30 minuti.
Predizione della deriva di processo. Usare i dati di difettosità accumulati per costruire un modello predittivo che anticipa la deriva del processo prima che produca difetti: segnalare quando i parametri si stanno muovendo verso condizioni che storicamente hanno prodotto difettosità alta, permettendo interventi correttivi prima della comparsa del problema.