Processo di integrazione dell'AI nei processi produttivi di CNH Industrial: analisi e standardizzazione dei dati di validazione delle Drivelines.

Il presente lavoro si inserisce in un più ampio progetto di digitalizzazione dei processi industriali portato avanti da CNH Industrial, con l’obiettivo strategico di integrare tecnologie di Intelligenza Artificiale all’interno delle proprie struttura produttive. In particolare, il progetto scalabile in tutti i plants CNH si è concentrato sull’analisi e strutturazione dei dati provenienti dai banchi prova funzionali dedicati alla validazione delle Drivelines, al fine di migliorare la comprensione delle criticità, ridurre i tempi di diagnosi e accelerare l’adozione di modelli predittivi basati su machine learning. Il progetto si articola in tre fasi principali: Fase 1 – Analisi dei dati di test e sviluppo di Dashboard Fase 2 – Analisi e standardizzazione dei dati di rework, con collegamento tra i risultati dei banchi prova e le cause radice Fase 3 – Sviluppo e addestramento di algoritmi di apprendimento automatico Durante il periodo di tirocinio è stata completata la fase 1 e avviata la fase 2. Nella prima fase, si è proceduto con una profonda analisi dei dati generati dai test benches. Questi banchi semi-automatizzati eseguono test funzionali su ogni driveline, generando enormi volumi di dati che, pur essendo ricchi di informazioni, risultano complessi da analizzare quotidianamente in modo sistematico. L’elevato effort richiesto per l’interpretazione manuale può rallentare l’individuazione tempestiva delle anomalie e la conseguente attuazione di azioni correttive efficaci. L’utilizzo di strumenti di Business Intelligence, in particolare Power BI, ha permesso di visualizzare e strutturare in modo efficace le informazioni critiche, facilitando l’individuazione di anomalie ricorrenti (KO cronici), il confronto tra banchi prova, e la diagnosi di derive strumentali, rendendo più efficace l'analisi delle cause radici e l'intervento di azioni correttive. Con l’avvio della fase 2, si è cercato di mettere in relazione i risultati dei test benches con i dati raccolti nell’area di rework, dove gli operatori registrano le attività di riparazione svolte su Drivelines che non hanno superato il test funzionale. L’obiettivo è stato quello di costruire un flusso dati coerente e tracciabile tra evento KO e causa radice, abilitando così la possibilità di effettuare analisi causa-effetto più robuste. Questa fase ha evidenziato come anche i dati di rework, per essere utili all’addestramento di algoritmi di machine learning, debbano essere strutturati e standardizzati in modo rigoroso. I formati di input, le modalità di compilazione e l’associazione univoca tra driveline, test bench e intervento post-test rappresentano elementi chiave per il successo della fase 3, che prevede l’introduzione di modelli predittivi capaci di anticipare le cause di KO. Il progetto descritto rappresenta un chiaro esempio di transizione data-driven in ambito manifatturiero, dove la combinazione tra competenze ingegneristiche, strumenti digitali e approcci di AI permette di creare valore concreto, ridurre inefficienze e porre le basi per una produzione sempre più intelligente e resiliente.