Sviluppo di un sistema di Retrieval-Augmented Generation (RAG) per l’assistenza allo stampaggio a iniezione

Il presente lavoro di tesi si pone l'obiettivo di sviluppare un sistema a supporto dell'operatore nell'avvio dello stampaggio a iniezione, basato su un'architettura Retrieval-Augmented Generation (RAG), una tecnologia che potenzia i Large Language Models (LLM) integrandoli con basi di conoscenza esterne. Dopo un’introduzione sullo stampaggio a iniezione, sullo stato dell'arte dell'AI e dei sistemi RAG nel manifatturiero nel contesto dell'Industria 5.0, l'elaborato si inserisce in uno scenario caratterizzato dalla crescente carenza di operatori esperti, una criticità che rende sempre più complessa la gestione dell'avvio del processo e la risoluzione delle difettosità. In questo quadro, la tesi descrive lo sviluppo di un sistema di assistenza per l'operatore volto all'ottimizzazione dei parametri di processo. Tale strumento si fonda su una Knowledge Base specialistica, costruita a partire dai dati di collaudo sullo storico dei parametri relativi allo specifico componente in esame. Al fine di garantire una validazione rigorosa delle prestazioni e di svincolare la valutazione dalla soggettività dell'operatore, è stato addestrato in parallelo un modello di Computer Vision in grado di classificare oggettivamente la qualità del prodotto stampato. La capacità risolutiva del sistema è stata quindi valutata in termini di numero di iterazioni macchina necessarie per ottenere un componente conforme, su otto scenari di avvio reali, conducendo un'analisi comparativa tra il sistema RAG sviluppato e la metodologia tradizionale basata sull'esperienza dell'operatore. Il lavoro si conclude con la presentazione dei risultati sperimentali, i quali mostrano che il sistema RAG raggiunge la conformità con una riduzione del 53% delle iterazioni macchina rispetto a quelle dell'operatore esperto, ottenendo al contempo una qualità finale superiore del componente. A fronte di una strategia di regolazione che privilegia i parametri termici, reologicamente più efficaci, ma più lenti a stabilizzarsi, il minor numero complessivo di interventi si traduce comunque in un risparmio del 22% sul tempo di setup e del 43% sul costo di collaudo, confermando la validità dell'approccio proposto non solo in termini di efficacia, ma anche di efficienza reale del processo produttivo.