In molte fabbriche, la gestione delle prestazioni qualitative viene ancora effettuata con una visibilità parziale. Gli scarti aumentano, i ritocchi si accumulano, gli operatori si affaticano, ma le cause reali rimangono difficili da oggettivare.

Un pezzo scartato può essere conforme. Un altro, realmente difettoso, può sfuggire al controllo. Tra requisiti dei clienti sempre più elevati, ritmi industriali e variabilità umana, mantenere un livello di qualità stabile diventa un costante esercizio di equilibrismo.

Il problema è spesso più profondo di una semplice mancanza di rilevamento. Nella realtà sul campo, molti industriali lavorano ancora con specifiche di qualità incomplete, criteri trasmessi oralmente o controlli visivi che dipendono dall'esperienza dei team. Risultato: la qualità diventa variabile da un operatore all'altro, da un team all'altro o addirittura da un'ora all'altra.

Ottimizzare le prestazioni di qualità non significa quindi solo rilevare più difetti. Significa soprattutto stabilizzare le decisioni sulla qualità, comprendere le derive più precocemente e ridurre il costo della non qualità industriale prima che diventi visibile al cliente.

Perché scarti e ritocchi esplodono in alcune fabbriche

In molti ambienti industriali, il controllo qualità funge ancora da filtro finale piuttosto che da strumento di gestione del processo.

Gli operatori a volte ispezionano diversi pezzi al secondo, sotto una forte pressione sui ritmi di produzione. Nel settore automobilistico, della plastica o del confezionamento di cosmetici, questa realtà genera meccanicamente:

• falsi scarti,

• difetti non rilevati,

• variabilità di giudizio,

• e costi nascosti raramente misurati con precisione.

Gli scarti visibili spesso rappresentano solo una parte del problema. I costi indiretti sono talvolta più significativi:

• ritocchi,

• rallentamenti della linea,

• sovracontrollo manuale,

• reclami dei clienti,

• controversie sulla qualità,

• tempi di analisi,

• perdita di fiducia interna.

Presso alcuni produttori industriali, Spark, la soluzione di controllo qualità automatizzata tramite IA sviluppata da Scortex, ha anche evidenziato derive totalmente invisibili fino a quel momento: difetto del fornitore, deriva degli utensili o instabilità dei materiali.

Un produttore di packaging cosmetico che lavora su superfici lucide ha riscontrato, ad esempio, un tasso elevato di falsi positivi causati da polvere e micro-riflessi. Presso un altro cliente nel settore del lusso, gli operatori scartavano per precauzione pezzi conformi al fine di evitare reclami da parte dei clienti.

In questo tipo di contesto, le prestazioni di qualità diventano difficili da mantenere a lungo termine solo con il controllo manuale.

Il vero problema: una qualità spesso soggettiva

Una delle osservazioni più frequenti sul campo riguarda l'assenza di specifiche di qualità realmente utilizzabili.

Molti stabilimenti dispongono di vecchi documenti di qualità, incompleti o troppo teorici. Alcuni criteri rimangono impliciti:

• cos'è un Difetto accettabile?

• a partire da quale dimensione un graffio diventa critico?

• una leggera variazione di tonalità è accettabile?

• un micro-graffio vicino a un logo deve essere scartato?

Nella cosmetica di lusso, ad esempio, questa soggettività diventa ancora più forte. Un semplice Difetto di opacità su un rossetto può essere considerato critico perché dà l'impressione di un prodotto già utilizzato.

Spark agisce spesso come un rivelatore di queste incongruenze. Quando un sistema applica regole stabili a un ritmo costante, le discrepanze di interpretazione diventano immediatamente visibili.

Automatizzare il controllo qualità costringe quindi i team a chiarire:

• le reali soglie di tolleranza,

• i difetti critici,

• le anomalie accettabili,

• e il livello di severità atteso a seconda del prodotto.

Questa fase è decisiva per migliorare nel tempo e in modo sostenibile le prestazioni di qualità.

Ridurre gli scarti senza aumentare i pezzi difettosi sfuggiti ai controlli

Una delle grandi sfide industriali consiste nel trovare il giusto equilibrio tra: falsi positivi e difetti non rilevati.

Un sistema troppo severo genera scarti inutili.
Un sistema troppo tollerante lascia passare i difetti.

Nel settore automobilistico, del lusso o della produzione di dispositivi medici, ad esempio, i produttori spesso preferiscono un approccio basato sulla sovraqualità al fine di limitare qualsiasi rischio per il cliente. Al contrario, alcune linee ad alta velocità cercano un equilibrio più produttivo.

L'obiettivo dell'automatizzazione del controllo qualità non è sostituire gli operatori o i team di qualità, ma ridurre la variabilità del primo livello di ispezione affinché gli operatori possano concentrarsi su attività a maggior valore aggiunto all'interno della fabbrica.  

Perché l'analisi dei dati cambia completamente le prestazioni di qualità

Il miglioramento sostenibile della qualità non deriva solo dalla selezione automatica, bensì soprattutto dai dati generati dall'ispezione.

Ogni ispezione eseguita con Spark, sistema di controllo qualità automatizzato con IA, produce:

• un'immagine,

• una heatmap (mappa termica per visualizzare le anomalie),

• un risultato OK/NOK,

• un monitoraggio del tasso di scarto nel tempo,

• uno storico con indicazione di data e ora,

• e informazioni sulla severità del rilevamento delle anomalie.

Questo database consente poi di identificare:

• i difetti ricorrenti,

• i picchi di scarto,

• le derive di processo,

• le variazioni legate a un fornitore,

• o ancora le aree critiche di un pezzo.

Presso uno dei nostri clienti industriali, produttore di contenitori in vetro, Spark ha permesso di correlare un picco di difetti a un problema di temperatura del forno. La regolazione è stata adattata rapidamente prima di una massiccia produzione di scarti.

In un altro caso, un cliente produttore di parti metalliche ha identificato un'anomalia del materiale proveniente direttamente dal fornitore di bobine.

Ottimizzare le prestazioni di qualità richiede oggi molto più di un semplice controllo visivo. I produttori più efficienti mirano ora a ridurre gli scarti, stabilizzare le decisioni di qualità, comprendere prima le derive e capitalizzare sui propri dati di ispezione.

I sistemi basati sull'IA consentono proprio di trasformare l'ispezione in uno strumento di miglioramento continuo, alleggerendo al contempo i team dalle attività più ripetitive. Per approfondire, è possibile scaricare il confronto Spark vs altre soluzioni di controllo qualità, la scheda tecnica Spark o la guida Industria e IA.

FAQ

Come ridurre il costo della non qualità?

La prima leva consiste nel rilevare le derive più precocemente. Un'ispezione stabile e tracciabile consente di evitare la produzione di interi lotti difettosi, ritocchi massicci e reclami da parte dei clienti.

Come ridurre gli scarti senza rallentare la produzione?

La sfida principale consiste nel rilevare le derive con sufficiente anticipo per evitare intere serie di pezzi non conformi. Un'ispezione automatizzata con IA consente di stabilizzare le decisioni sulla qualità a ritmi elevati, limitando al contempo i falsi scarti.

Come ridurre i ritocchi nella produzione industriale?

I ritocchi derivano spesso da difetti rilevati troppo tardi o da criteri di qualità variabili a seconda dei team. Standardizzando le soglie di controllo e sfruttando i dati di ispezione, i produttori possono identificare le cause ricorrenti e correggere le derive più rapidamente.

Qual è la differenza tra visione artificiale classica e IA?

La visione classica applica regole fisse programmate in anticipo. Un'IA come quella di Spark apprende la normale variabilità dei pezzi conformi e rileva anomalie insolite, anche quando non sono mai state viste prima.

Ecco altri articoli che potrebbero interessarti:

·        Ridurre i costi nascosti grazie al controllo visivo automatizzato

·        Come strutturare una casistica dei difetti di qualità per rendere sicure le vostre decisioni

·        Controllo qualità di cosmetici e imballaggi: rendere affidabile l'ispezione di superfici esigenti grazie all'IA