Avevamo bisogno di creare e sviluppare uno strumento interno per standardizzare le analisi, dall'interrogazione del database alla valutazione finale della capacità del processo e all'indagine sulle cause speciali.
Lo sviluppo è iniziato da un database con una struttura semplice (controlli statistici di laboratorio) e si è gradualmente esteso a database più grandi popolati da misurazioni di processo online.
L'obiettivo era quello di avere uno strumento interno semplice e veloce che ci permettesse di:
Ciao a tutti. Sono Massimo Pampurini. Lavoro come Ingegnere della Qualità di Produzione in Pirelli.
Ciao a tutti. Sono Sara Sorrentino e lavoro in Pirelli come ingegnere della qualità di processo.
Presenteremo il nostro progetto di consolidamento e integrazione dei flussi di lavoro dei dati, sviluppato nell'ultimo anno nella nostra azienda. Siamo partiti da un'area specifica, ovvero quella della semilavorazione. Questa è una panoramica generale del nostro processo produttivo. Abbiamo iniziato dall'area che presentava le maggiori carenze in termini di analisi dei dati, cioè la semilavorazione.
Perché è nato il progetto? Il motivo principale, innanzitutto, e per noi il primo passo è stato fondamentale, è stata la necessità di garantire un metodo univoco di raccolta di dati di laboratorio affidabili, in modo da assicurare che anche tutti gli impianti, essendo affidabili, seguissero la stessa metodologia di raccolta dati. Questo ci ha permesso di creare database Pirelli unici a livello mondiale.
I due punti chiave. Il primo punto riguarda i fondamenti e i fattori abilitanti. Inoltre, la possibilità di scaricare facilmente i dati direttamente in JMP consentirà all'utente di scaricare i dati in modo rapido ed efficiente, anche filtrando per intervallo di tempo e per selezione dello stabilimento. Questo porterà infine all'analisi automatica, sia sulla capacità di processo che sulla valutazione dei diagrammi di controllo relativi alle principali caratteristiche qualitative di interesse.
Bene, da dove siamo partiti. Siamo partiti dalla standardizzazione dei dati. Questo è solo un esempio di come siamo partiti. Prima avevamo solo cartelle con file Excel in cui erano raccolti i progetti degli impianti, dati che non potevano essere considerati standardizzati. Fino ad ora, negli ultimi quattro anni circa, abbiamo sviluppato un'applicazione di qualità dedicata alla visualizzazione e all'elaborazione dei dati, uno strumento specifico in JMP basato sulla stessa fonte dati dell'applicazione, e ora stiamo passando all'integrazione di Python nei nostri strumenti JMP.
L'obiettivo del progetto che abbiamo sviluppato in JMP si articolava in tre punti principali. Innanzitutto, volevamo creare un dataset standardizzato attraverso l'utilizzo di un'interfaccia grafica in JMP. In secondo luogo, un metodo per automatizzare l'analisi e ottenere un report standardizzato sui risultati della capacità di processo, nonché uno strumento per individuare rapidamente le anomalie tramite l'uso appropriato dei diagrammi di controllo. Infine, un altro aspetto fondamentale era la possibilità di approfondire l'analisi dei parametri di processo, al fine di comprendere, a partire dai dati di produzione online, anche le variabili più significative.
Ora esamineremo rapidamente i tre punti principali che Sara ha appena illustrato. La prima parte riguarda la creazione del nostro set di dati standardizzato. Il primo punto consiste nello sviluppare un'interfaccia utente grafica che permetta all'utente di selezionare l'impianto e l'intervallo di tempo da cui partire per creare il set di dati iniziale. Questo è l'output diretto per il download dei dati. I dati sono già standardizzati, ovvero sono già stati ripuliti secondo gli stessi criteri.
Dopo aver creato il primo set di dati che costituisce la base dell'analisi, abbiamo integrato un altro script dedicato all'analisi specifica delle capacità, in cui è possibile selezionare l'impianto o altri parametri principali diversi, ad esempio, dai materiali. Abbiamo sviluppato diversi pulsanti dedicati all'analisi per mese o per materiale. L'aspetto importante è che con un solo clic l'utente può ottenere questo report. Si tratta del report principale utilizzato nei nostri impianti per comprendere qual è la reale capacità per materiale e per mese, per specifica, per caratteristica, e per dare priorità agli interventi al fine di ottenere un reale miglioramento in tempi brevi.
Passando agli ultimi due pulsanti dello strumento per l'analisi automatica, abbiamo aggiunto un pulsante specifico relativo all'analisi della stabilità del processo. Abbiamo scelto il grafico di controllo più appropriato. Abbiamo attivato tutti i tipi di avviso per capire quando si presentano cause particolari, in modo da individuare margini di miglioramento e approfondire l'analisi dei casi anomali, e per monitorare costantemente la valutazione del grafico di controllo mese dopo mese, al fine di capire se si è verificata una deriva, ad esempio uno spostamento della media del processo stesso.
Successivamente è stato aggiunto un altro pulsante importante relativo alla distribuzione, come possiamo vedere, ma non solo alla distribuzione delle caratteristiche stesse. Volevamo mantenere sempre un focus anche sul risultato della capacità di processo, sia in termini di capacità di processo che di CP e CPK rispetto al report sigma interno. Ma vogliamo anche tenere d'occhio costantemente anche il report complessivo sulla capacità sigma e quindi i nostri indici di capacità di prestazione.
Giungendo all'ultimo punto importante dello strumento sviluppato, abbiamo avuto la possibilità di approfondire l'analisi. Partendo dai dati di laboratorio, abbiamo voluto individuare la correlazione tra i dati di produzione online e tutti i parametri di processo disponibili, al fine di comprendere come la capacità di processo e le nostre caratteristiche qualitative siano influenzate dai parametri di processo più significativi. A tal fine, ci siamo avvalsi di strumenti come il profiler predittivo. In questa fase, abbiamo sempre prestato particolare attenzione ad attivare il controllo di estrapolazione quando si riscontra una correlazione anche tra i nostri fattori X e le altre variabili di processo.
Questa è l'ultima diapositiva, diciamo, perché stiamo facendo una prima panoramica e vogliamo condividere con voi quali saranno i prossimi passi. Il prossimo passo è, da un lato, l'integrazione con Python e, dall'altro, l'estensione di tutti questi strumenti ad altri ambiti che sono per noi prioritari. Grazie per l'attenzione e ci vediamo al Discovery Summit.
Grazie per l'attenzione. A presto.
