The work presented in this thesis was conducted within the framework of the project proposed by ABB Schweiz, from ABB's Schaffhausen site.The project has just come about thanks to the collaboration between ABB, the MA7 magnetic relay product quality department, and Università degli studi di Pavia. This project stemmed from ABB's request to improve the production process of the MA7 magnetic relay (the fundamental component for the operation of residual current protection circuits), namely one of its phases 'manual visual inspection'. The introduction of a new procedure of water-based pre-cleaning of the magnetic relay components, introduced for a new company policy on environmental compliance, increased the workload of the visual inspection operators. The large production volume and the decreasing effectiveness of the pre-cleaning process led ABB to opt for the introduction of new technologies to automate and improve the identification of defective components. This thesis will deal with the initial part of this project, namely the identification of defective components using artificial intelligence. The objective is therefore the training of an Artificial Intelligence which, inserted into the automated visual inspection phase of the production process, will be able to identify defects on MA7 magnetic relay components.

Il lavoro presentato in questa tesi è stato condotto nell'ambito del progetto proposto da ABB Schweiz, presso la sede di ABB a Sciaffusa. Il progetto è nato dalla collaborazione tra ABB, il reparto qualità del prodotto relè magnetico MA7 e l'Università degli studi di Pavia. Il progetto è nato dalla richiesta di ABB di migliorare il processo produttivo del relè magnetico MA7 (componente fondamentale per il funzionamento dei circuiti di protezione dalle correnti di guasto), in particolare una delle sue fasi "ispezione visiva manuale". L'introduzione di una nuova procedura di pre-pulizia ad acqua dei componenti del relè magnetico, introdotta per una nuova politica aziendale sulla conformità ambientale, ha aumentato il carico di lavoro degli operatori addetti al controllo visivo. Il grande volume di produzione e la sempre minore efficacia del processo di pre-pulizia hanno indotto ABB a optare per l'introduzione di nuove tecnologie per automatizzare e migliorare l'identificazione dei componenti difettosi. Questa tesi si occuperà della parte iniziale di questo progetto, ovvero l'identificazione dei componenti difettosi utilizzando l'intelligenza artificiale. L'obiettivo è quindi la formazione di un'intelligenza artificiale che, inserita nella fase di ispezione visiva automatizzata del processo produttivo, sia in grado di identificare i difetti sui componenti dei relè magnetici MA7.

IDENTIFICAZIONE DEI DIFETTI SUI COMPONENTI DEI RELÈ MAGNETICI MEDIANTE INTELLIGENZA ARTIFICIALE

CICERI, MICHELE
2022/2023

Abstract

The work presented in this thesis was conducted within the framework of the project proposed by ABB Schweiz, from ABB's Schaffhausen site.The project has just come about thanks to the collaboration between ABB, the MA7 magnetic relay product quality department, and Università degli studi di Pavia. This project stemmed from ABB's request to improve the production process of the MA7 magnetic relay (the fundamental component for the operation of residual current protection circuits), namely one of its phases 'manual visual inspection'. The introduction of a new procedure of water-based pre-cleaning of the magnetic relay components, introduced for a new company policy on environmental compliance, increased the workload of the visual inspection operators. The large production volume and the decreasing effectiveness of the pre-cleaning process led ABB to opt for the introduction of new technologies to automate and improve the identification of defective components. This thesis will deal with the initial part of this project, namely the identification of defective components using artificial intelligence. The objective is therefore the training of an Artificial Intelligence which, inserted into the automated visual inspection phase of the production process, will be able to identify defects on MA7 magnetic relay components.
2022
IDENTIFICATION OF DEFECTS ON MAGNETIC RELAY COMPONENTS BY MEANS OF ARTIFICIAL INTELLIGENCE
Il lavoro presentato in questa tesi è stato condotto nell'ambito del progetto proposto da ABB Schweiz, presso la sede di ABB a Sciaffusa. Il progetto è nato dalla collaborazione tra ABB, il reparto qualità del prodotto relè magnetico MA7 e l'Università degli studi di Pavia. Il progetto è nato dalla richiesta di ABB di migliorare il processo produttivo del relè magnetico MA7 (componente fondamentale per il funzionamento dei circuiti di protezione dalle correnti di guasto), in particolare una delle sue fasi "ispezione visiva manuale". L'introduzione di una nuova procedura di pre-pulizia ad acqua dei componenti del relè magnetico, introdotta per una nuova politica aziendale sulla conformità ambientale, ha aumentato il carico di lavoro degli operatori addetti al controllo visivo. Il grande volume di produzione e la sempre minore efficacia del processo di pre-pulizia hanno indotto ABB a optare per l'introduzione di nuove tecnologie per automatizzare e migliorare l'identificazione dei componenti difettosi. Questa tesi si occuperà della parte iniziale di questo progetto, ovvero l'identificazione dei componenti difettosi utilizzando l'intelligenza artificiale. L'obiettivo è quindi la formazione di un'intelligenza artificiale che, inserita nella fase di ispezione visiva automatizzata del processo produttivo, sia in grado di identificare i difetti sui componenti dei relè magnetici MA7.
File in questo prodotto:
Non ci sono file associati a questo prodotto.

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/17200