Tecniche di machine learning per lo sviluppo di modelli di costo parametrici per componenti meccanici

Le aziende di tutto il mondo stanno cercando di ridurre i costi dei loro prodotti per influenzare la redditività di base. Quando si tratta di migliorare i profitti, in effetti ci sono solo due scelte: vendere di più o tagliare il costo di ciò che è attualmente in vendita. L’opzione ‘‘vendere di più’’ in molti casi non è così banale e di facile realizzazione, di conseguenza il taglio dei costi è spesso il percorso più efficace. La riduzione dei costi attuata tradizionalmente con il taglio dei posti di lavoro e tentativi di migliorare l’efficienza operativa, è una soluzione a breve termine per quello che è un problema a lungo termine. I costi devono essere pienamente compresi, controllati e ridotti sin dalle prime fasi dello sviluppo del prodotto. Pertanto, negli ultimi anni, l’individuazione di soluzioni tecnico/funzionali finalizzate alla riduzione dei costi a partire dalla progettazione è diventata uno strumento chiave per viluppare prodotti efficienti ottimizzandone i costi. Quando si dà inizio ad un nuovo progetto, uno dei compiti più difficili intrapresi dai progettisti è, per l’appunto, valutarne il costo. La valutazione del costo rappresenta un fattore critico nel determinare se il prodotto sarà fattibile o meno; pertanto, una stima affidabile dei costi, già nelle prime fasi di sviluppo prodotto, gioca un ruolo significativo per i progettisti nell’evitare di investire molto tempo e quindi risorse, su prodotti non economicamente sostenibili. Detto ciò, questo studio si pone l’obiettivo di definire un approccio per lo sviluppo di modelli di costo parametrici per componenti meccanici, il quale fornirà poi una base per lo sviluppo di un tool in grado di stimare il costo dei suddetti componenti o di famiglie di essi, nella fase di progettazione concettuale. Nel dettaglio, l’approccio introdotto è basato sullo sviluppo e confronto di tecniche di stima di costo di tipo innovativo e tradizionale. Nel primo caso si parla di tecniche di machine learning, come reti neurali semplici, deep learning, random forest e gradient boosting, mentre nel secondo caso si parla di regressione lineare. In particolare, queste tecniche sono state implementate su dei database contenenti dati storici di dischi e spaziatori di compressori assiali. Per arrivare alla migliore tecnica di stima di costo da utilizzare per dischi e spaziatori, si è voluto partire dalla formazione scientifica alla base dello studio; si introduce quindi il concetto del Design to Cost, ovvero illustrare i metodi e gli strumenti necessari nel percorso di progettazione di un nuovo prodotto finalizzato alla riduzione dei costi e si descrive i metodi utilizzati per le analisi. Successivamente segue il capitolo inerente allo stato dell’arte, nel quale si contestualizza il lavoro e si riporta le innovazioni rispetto alla letteratura. Segue poi il capitolo sulla metodologia adottata, nel quale si presentano gli step dell’approccio utilizzati per il caso studio definendo come sono stati ottenuti i database e l’implementazione delle varie tecniche di machine learning. Si introducono inoltre, per ogni step dell’approccio, i software adoperati per realizzarli: LeanCOST® che è in grado di realizzare una Should Cost Analysis e RapidMiner che permette di implementare e validare gli algoritmi. Oltre a questi due software principali è stato utilizzato Excel che, oltre che permettere di graficare e tabellare i risultati, ha permesso attraverso una sua estensione di eseguire un’analisi di correlazione dei parametri; aspetto di non poca importanza nello studio. Infine, viene illustrato il caso studio, mettendo in luce l’importanza del ruolo dei database realizzati, i quali sono stati poi elaborati con i diversi i metodi di stima dei costi e la conseguente analisi e convalida dei risultati.