Sviluppo di un assistente AI per l’ottimizzazione dei parametri di processo nello stampaggio ad iniezione

Questo lavoro presenta lo sviluppo di un sistema di Intelligenza Artificiale per il controllo qualità predittivo e il supporto decisionale nel processo di stampaggio a iniezione. Il sistema integra quattro moduli principali: un classificatore multi-label basato su Random Forest per la previsione della presenza dei difetti superficiali; un’architettura di regressione ibrida per la stima quantitativa della loro intensità; un sistema RAG (Retrieval-Augmented Generation) costruito su della documentazione tecnica specifica per fornire spiegazioni contestuali; un DSS che combina diagnosi, regressione e informazioni tecniche per generare raccomandazioni operative sui parametri di processo. Per affrontare il problema della scalabilità e del “Cold start” nei nuovi stampi o nelle presse scarsamente strumentate, viene introdotta una metodologia di Transfer Learning Eterogeneo basata su distillazione Teacher–Mapper–Student, capace di comprimere 16 variabili di ingresso in 5 mantenendo capacità predittive elevate. La validazione sperimentale presso Vimar S.p.A. e il Laboratorio Te.Si conferma l’efficacia del sistema in termini di accuratezza, stabilità e riduzione dei campioni necessari per l’addestramento, evidenziando la potenziale applicabilità industriale dell’approccio proposto