Realizzazione e messa a punto degli impianti di raffreddamento e lubrificazione per una vettura di Formula SAE tramite analisi termofluidodinamica e acquisizione di telemetria in pista

L’obiettivo di questa tesi è illustrare quali siano stati i metodi di studio e le soluzioni adottate per ottimizzare gli impianti di raffreddamento e lubrificazione della monoposto da competizione sviluppata dal team Unibo Motorsport, in preparazione alla stagione di gara 2016 della Formula SAE®. Inizialmente saranno analizzate le principali problematiche di entrambi gli impianti attraverso simulazioni CFD (Computational Fluid Dynamics) e dati telemetrici degli anni passati. In seguito, saranno mostrati i diversi procedimenti di progettazione e il completamento degli impianti unitamente ad una loro valutazione economica. Infine, per verificare l’effettivo successo delle operazioni svolte a bordo vettura, verranno mostrate acquisizioni telemetriche relative alle gare ed altre simulazioni relative alle nuove geometrie sviluppate. Un altro obiettivo della trattazione è mettere a disposizione dei futuri membri del reparto motore un documento che contenga tutte le considerazioni fatte a riguardo degli impianti studiati. Questo è fondamentale all’interno di un ambiente come un team di Formula SAE®, dove ogni anno si ha il ricambio di una buona parte dei membri. Se gli studi svolti sugli impianti venissero persi, i nuovi arrivati si troverebbero a mettere le mani su un qualcosa di sconosciuto e lo sviluppo della vettura negli anni si troverebbe enormemente rallentato. Il “learning by doing” che ha sempre caratterizzato questo progetto viene infatti affiancato con armonia dalla possibilità di consultare esperienze pregresse relative al caso di studio considerato.

Computer vision in aseptic pharmaceutical manufacturing: a deep learning-based approach to vial inspection and pack formation during a lyophilizer loading cycle

Vision systems are powerful tools playing an increasingly important role in modern industry, to detect errors and maintain product standards. With the enlarged availability of affordable industrial cameras, computer vision algorithms have been increasingly applied in industrial manufacturing processes monitoring. Until a few years ago, industrial computer vision applications relied only on ad-hoc algorithms designed for the specific object and acquisition setup being monitored, with a strong focus on co-designing the acquisition and processing pipeline. Deep learning has overcome these limits providing greater flexibility and faster re-configuration. In this work, the process to be inspected consists in vials’ pack formation entering a freeze-dryer, which is a common scenario in pharmaceutical active ingredient packaging lines. To ensure that the machine produces proper packs, a vision system is installed at the entrance of the freeze-dryer to detect eventual anomalies with execution times compatible with the production specifications. Other constraints come from sterility and safety standards required in pharmaceutical manufacturing. This work presents an overview about the production line, with particular focus on the vision system designed, and about all trials conducted to obtain the final performance. Transfer learning, alleviating the requirement for a large number of training data, combined with data augmentation methods, consisting in the generation of synthetic images, were used to effectively increase the performances while reducing the cost of data acquisition and annotation. The proposed vision algorithm is composed by two main subtasks, designed respectively to vials counting and discrepancy detection. The first one was trained on more than 23k vials (about 300 images) and tested on 5k more (about 75 images), whereas 60 training images and 52 testing images were used for the second one.