ICS-MSC
Industry 4.0 Complex Solution for Manufacturing Supply Chain
Il progetto ICS-MSC ha l’obiettivo la realizzazione di una piattaforma flessibile per l’hosting di Digital Twin che possano rappresentare prodotti e/o processi produttivi in tempo reale.
La simulazione in tempo reale del processo produttivo (meccanico/intra logistico) e di confezionamento/stoccaggio nei due casi d’uso utilizzando i dati provenienti dai sistemi di produzione e forniti da sensori e gateway IoT e analizzando il comportamento con tecniche di Intelligenza Artificiale al fine di predire eventuali scostamenti, cali di performance e problematiche di qualità del prodotto.
Progetto finanziato nell’ambito del POR 2014-2020 del Piemonte e realizzato con il concorso di risorse del Fondo Europeo di Sviluppo Regionele (FESR) dello Stato italiano e della Regione Piemonte
PREMA
Predictive Maintenance
Il progetto è iniziato nel 2020, con i seguenti obiettivi:
- Applicazione fabbrica 4.0 alle macchine per la lavorazione del vetro della Bottero spa.
- Uso delle tecnologie IoT e Big Data Analysis per estrarre informazioni e acquisire conoscenze sul comportamento in tempo reale degli oggetti sottoposti a sollecitazioni vibrazionali
- Ridurre al minimo i danni e consentire un’analisi predittiva intelligente
Progetto inserito nell’agenda strategica di ricerca del polo ICT, finanziato nell’ambito del POR 2014-2020 del Piemonte e realizzato con il concorso di risorse del Fondo Europeo di Sviluppo Regionele (FESR) dello Stato italiano e della Regione Piemonte
DISLO-MAN
Dynamic Integrated ShopfLoor Operation MANagement for Industry 4.0
Piattaforma ICT per la gestione integrata, dinamica ed autonoma delle operazioni di produzione ad alto livello di automazione, finalizzata all’ottimizzazione delle risorse (persone, materiali, sistemi di produzione).
Progetto finanziato in ambito POR 2014/2020 della Regione Piemonte, FESR (Fondo Europeo di Sviluppo Regionale) e programma MIUR – Regione Piemonte – Azione 3 – “Fabbrica Intelligente”
Per maggiori informazioni visita il sito disloman.it
Interfaccia per chiave dinamometrica
L’applicazione, sviluppata su iPod, ha la funzionalità di interfacciamento, monitoraggio e controllo delle apparecchiature integrate nelle officine industriali per il controllo della qualità.
Comunicando su TCP attraverso un protocollo proprietario con le macchine industriali e con il server centrale, il software si occupa di controllare i dispositivi, di visualizzare i dati raccolti in forma grafica e di fornire statistiche.
Sistema di sanificazione per gli spazi delle unità ospedaliere
Progettazione e sviluppo di un macchinario ospedaliero per la sanificazione dei locali delle sale operatorie.
Data una pianificazione e parametri di input (dimensione locale, tipo, ..) la macchina fornisce il liquido giusto nelle giuste proporzioni. L’utente può programmare e controllare le macchine tramite il portale web o l’applicazione mobile.
Roller-bearing
Piattaforma ICT per la gestione integrata, dinamica ed autonoma delle operazioni di produzione ad alto livello di automazione, finalizzata all’ottimizzazione delle risorse (persone, materiali, sistemi di produzione).
Progetto finanziato in ambito POR 2014/2020 della Regione Piemonte, FESR (Fondo Europeo di Sviluppo Regionale) e programma MIUR – Regione Piemonte – Azione 3 – “Fabbrica Intelligente”
Per maggiori informazioni visita il sito disloman.it
Due banche dati come input:
1) dati raccolti su un impianto allestito presso il laboratorio del Dipartimento di Ingegneria Meccanica e Aerospaziale del Politecnico di Torino
cuscinetti a rulli cilindrici (rullo e anello interno)
destinato a testare i cuscinetti aeronautici ad alta velocità
512k campioni, 6 canali.
2) dati raccolti nell’impianto di prova dell’NSF I/UCRC sui sistemi di manutenzione intelligente (IMS)
- cuscinetti orientabili a rulli
- tl banco prova per cuscinetti ospita quattro cuscinetti su un albero, azionati da un motore a corrente alternata e accoppiati con cinghie di sfregamento.
- 3 esecuzioni di test di guasto, 20k campioni, 4 canali.
Sono stati applicati, confrontati e migliorati diversi algoritmi di machine learning e reti neurali.
Di conseguenza, è stato raggiunto il 97,71% dell’accuratezza media delle previsioni
