L’evoluzione delle abitudini dei consumatori ha imposto una profonda ridefinizione delle logiche industriali, spingendo i sistemi di produzione verso modelli caratterizzati da massima flessibilità e reattività.
La forte transizione verso l’e-commerce rappresenta la principale spinta al cambiamento per De’Longhi, che vede oggi una quota preponderante dei propri prodotti commercializzata attraverso canali digitali, sia tramite retailer esclusivamente online sia attraverso le piattaforme web delle reti di vendita tradizionali.
Una simile configurazione del mercato richiede una supply chain dinamica, capace di adattarsi tempestivamente alle oscillazioni della domanda e di mantenere elevatissimi standard qualitativi su scala globale.
La risposta aziendale a queste sollecitazioni si è concretizzata in una pianificazione strategica mirata, che individua nell’innovazione tecnologica il motore per ottimizzare i processi industriali.
Proprio in questa pianificazione si inserisce il progetto “AI Grinder Control”, la soluzione sviluppata per rispondere alla sfida della flessibilità e del controllo totale della supply chain.
Il progetto ha ottenuto il primo premio nella categoria “Top Tech” dei MADE Future Industry Awards proprio per la complessità della sua architettura e per la capacità di tradurre la visione strategica aziendale in una soluzione tecnologica avanzata, in grado di proteggere il valore del brand sui mercati globali.
Indice degli argomenti
Il cuore del progetto: AI grinder control
La garanzia della massima precisione nel processo di lavorazione delle macine, un elemento determinante per assicurare le prestazioni e la ripetibilità dei risultati dell’elettrodomestico, costituisce il nucleo operativo dell’architettura AI grinder control.
La tecnologia sviluppata supera i limiti dei tradizionali controlli manuali eseguiti su base campionaria, introducendo un’ispezione automatica in grado di analizzare la totalità dei componenti realizzati lungo la linea di produzione.
“Fino a ieri il controllo di questi componenti veniva fatto a campione in modo manuale da operatori esperti che, tramite calibri o strumenti di misura, verificavano le dimensioni. Questo significava che su centinaia di migliaia di pezzi prodotti ne controllavamo solo una minima parte”, spiega Matteo Pecci, Operations Digital Transformation Manager di De’Longhi.
Il sistema si basa sull’integrazione di moduli di computer vision ad alta risoluzione, dotati di sensori da 64 megapixel e ottiche telecentriche, configurazione ottica che permette di azzerare gli errori di prospettiva e di rilevare la geometria dei pezzi con tolleranze infinitesimali.
I dati visivi raccolti vengono elaborati in tempo reale da algoritmi di deep learning specializzati nell’anomaly detection. L’infrastruttura analitica esegue una misurazione micrometrica sistematica delle caratteristiche strutturali delle macine, verificando l’accuratezza dei diametri, la conformità degli smussi e la regolarità delle dentature, così da intercettare ogni minima deviazione dagli standard nominali prima che il componente venga assemblato nel prodotto finito.
Dal “problem statement” all’architettura tecnologica
L’approccio metodologico adottato definisce la traiettoria dell’intero progetto, ponendo l’accento sulla risoluzione di criticità industriali concrete piuttosto che sull’adozione della tecnologia fine a se stessa.
L’identificazione accurata del problema operativo ha costituito il punto di partenza per l’ingegnerizzazione della cella robotizzata, garantendo che ogni investimento tecnologico fosse guidato da precisi indicatori di efficacia.
“Bisogna partire dal problema che vogliamo risolvere, quello che noi chiamiamo problem statement, sulla base del quale definiamo degli indicatori per poi misurare l’efficacia reale”, spiega Pecci.
La traduzione di questi obiettivi in una soluzione operativa ha richiesto una stretta sinergia tra le competenze interne di ingegneria di processo e l’ecosistema dei partner tecnologici specializzati.
Lo sviluppo degli algoritmi di intelligenza artificiale e dei sistemi di machine vision è stato affidato a beanTech, mentre Effedi Automation ha curato l’integrazione meccatronica e robotica della cella di controllo.
“La collaborazione ha permesso di unire la nostra conoscenza del prodotto con le competenze verticali dei partner nell’elaborazione dati e nella robotica, creando un’architettura perfettamente integrata nei ritmi della fabbrica”, aggiunge Pecci.
Il coordinamento tra la produzione e i partner esterni, supportato anche dalla società IT in-house e-Services per la connettività di fabbrica, ha così consentito di superare la complessità dei protocolli di comunicazione industriali, sincronizzando l’analisi computazionale delle immagini con i flussi della linea di assemblaggio.
Risultati tangibili: efficienza e ritorno sull’investimento (ROI)
L’introduzione della cella robotizzata all’interno della linea di assemblaggio ha determinato un miglioramento sensibile delle metriche industriali, confermando l’efficacia della tecnologia applicata ai processi di controllo.
L’integrazione del sistema ha generato una riduzione degli scarti di produzione pari al 30%, ottimizzando l’utilizzo dei componenti e minimizzando le inefficienze operative.
L’efficienza complessiva degli impianti (OEE) nel reparto interessato ha registrato un incremento compreso tra il 5% e l’8%, a testimonianza di una maggiore continuità e stabilità del flusso manifatturiero.
L’evoluzione del progetto evidenzia un percorso di sviluppo scalabile, iniziato come Proof of Concept (POC) in ambiente prototipale, evoluto in una stazione di controllo offline e infine consolidato con l’integrazione diretta nel flusso dati del sistema MES aziendale per il monitoraggio in tempo reale.
“Il successo industriale si misura nella rapidità del ritorno economico, che in questo progetto si è rivelato inferiore ai 12 mesi, dimostrando come l’adozione dell’intelligenza artificiale non rappresenti un costo ma un investimento ad alto rendimento per la fabbrica”, spiega Pecci.
Sostenibilità e “human-in-the-loop”: preservare il know-how
L’impatto dell’architettura tecnologica si estende oltre i confini dell’efficienza di linea, generando ricadute positive sul piano della sostenibilità ambientale e della salvaguardia delle competenze umane all’interno della fabbrica.
L’ottimizzazione del processo e l’elevata accuratezza geometrica delle macine hanno permesso di azzerare una consistente quota di scarti e di materie prime impiegate tradizionalmente nelle fasi di test, riducendo drasticamente l’impronta ecologica della produzione.
“Consumavamo 300 tonnellate di caffè all’anno per testare i macinini. Oggi grazie a macine di qualità migliore facciamo tutta la calibrazione senza caffè”, evidenzia Pecci.
La centralità del fattore umano rimane un elemento cardine del progetto, declinato secondo il modello “human-in-the-loop”, in cui l’algoritmo non sostituisce l’operatore ma ne assorbe e amplifica l’esperienza.
I modelli di deep learning sono stati addestrati partendo dal patrimonio conoscitivo specialistico del personale di linea, traducendo in regole matematiche criteri di valutazione finora basati sull’intuito visivo e manuale.
“Abbiamo allenato il sistema tramite gli operatori più esperti, inglobando le loro competenze che, non essendo scritte, rischiavano di andare perse con il ricambio generazionale”, aggiunge Pecci.
L’intelligenza artificiale diventa così uno strumento di protezione del know-how aziendale, formalizzando e digitalizzando competenze empiriche strategiche destinate altrimenti a dissolversi.
Un modello scalabile per il futuro
L’efficacia dei risultati ottenuti sul campo ha trasformato l’iniziativa in un modello di riferimento per le strategie industriali del gruppo, delineando una traiettoria di sviluppo che supera i confini dello stabilimento pilota italiano.
L’architettura di controllo avanzato concepita a Treviso è stata strutturata fin dal principio per essere replicabile, gettando le basi per una piattaforma tecnologica standardizzata da estendere progressivamente a tutti i siti produttivi europei della multinazionale.
La modularità del software riaddestrabile e la flessibilità degli algoritmi consentono infatti di adattare il sistema a diversi formati e linee di produzione senza dover riprogettare l’infrastruttura da zero.
Questo percorso di digitalizzazione mette in luce una visione dell’innovazione intesa come processo di sperimentazione continua e apprendimento organizzativo, dove il valore risiede anche nella capacità di analizzare criticamente ogni fase dello sviluppo.
“C’è un concetto fondamentale: la post-review. Chiedersi cosa abbiamo imparato da un progetto, sia che sia andato bene o male”, conclude Pecci.
L’adozione dell’AI e della computer vision si consolida così non solo come un traguardo tecnologico volto all’efficienza e alla sostenibilità, ma come un pilastro culturale capace di guidare l’evoluzione della manifattura verso i paradigmi della fabbrica intelligente.
