l'importanza della modellazione dei processi applicata ad un caso aziendale

La pianificazione e la gestione dei processi è diventata un elemento critico a causa della crescente complessità delle attività all’interno delle organizzazioni. Nell’era dell’impresa digitale, la gestione dei processi di businesss viene coadiuvata mediante l’utilizzo di sistemi software che sono in grado di gestire una grande quantità di informazioni ovvero i sistemi BPM. Il Business Performance Management è una disciplina gestionale che si occupa di descrivere e gestire i processi di business di una organizzazione. L’obiettivo della seguente tesi è verificare se il modello del processo realizzato precedentemente all’implementazione del sistema reale possa permettere una più dettagliata analisi del sistema e anticipare relative problematiche che talvolta si evincono solamente durante il mero sviluppo. Inoltre si vuole verificare se il modello realizzato in fase di discussione di un nuovo progetto cliente possa poi migliorare anche lo scambio di informazioni nel team di sviluppo. A supporto di questa tesi è stato sviluppato un caso di studio reale in una società di gestione del risparmio specializzata in fondi di investimento immobiliare. Inizialmente si è proceduto con una prima fase di raccolta dei requisiti dell’applicativo che si è conclusa con la realizzazione dei modelli creati utilizzando due linguaggi che sono il Business Process Model and Notation (BPMN) e il Decision Model and Notation (DMN); il medesimo applicativo è stato successivamente implementato seguendo i modelli realizzati. I tempi globali di sviluppo del sistema e la migliore comprensione del modello da parte del team di sviluppo hanno fatto evincere l’utilità della modellazione a fronte di maggiori giornate uomo. Inoltre è stata riscontata maggiore manutenibilità complessiva del sistema.

A deep learning model for controlling the galvanizing process in a production line

In the industry of steelmaking, the process of galvanizing is a treatment which is applied to protect the steel from corrosion. The air knife effect (AKE) occurs when nozzles emit a steam of air on the surfaces of a steel strip to remove excess zinc from it. In our work we formalized the problem to control the AKE and we implemented, with the R&D dept.of MarcegagliaSPA, a DL model able to drive the AKE. We call it controller. It takes as input the tuple : a tuple of the physical conditions of the process line (t,h,s) with the target value of the zinc coating (c); and generates the expected tuple of (pres and dist) to drive the mechanical nozzles towards the (c). According to the requirements we designed the structure of the network. We collected and explored the data set of the historical data of the smart factory. Finally, we designed the loss function as sum of three components: the minimization between the coating addressed by the network and the target value we want to reach; and two weighted minimization components for both pressure and distance. In our solution we construct a second module, named coating net, to predict the coating of zinc resulting from the AKE when the conditions are applied to the prod. line. Its structure is made by a linear and a deep nonlinear “residual” component learned by empirical observations. The predictions made by the coating nets are used as ground truth in the loss function of the controller. By tuning the weights of the different components of the loss function, it is possible to train models with slightly different optimization purposes. In the tests we compared the regularization of different strategies with the standard one in condition of optimal estimation for both; the overall accuracy is ± 3 g/m^2 dal target for all of them. Lastly, we analyze how the controller modeled the current solutions with the new logic: the sub-optimal values of pres and dist can be optimize of 50% and 20%.