• Body in White
• Data Analytics
• Dimensional Control
• Machine Learning
• Manufacturing

Implementare un controllo dimensionale preciso ed efficiente nella fase Body-in-White (BIW) della produzione automobilistica è fondamentale per garantire la qualità complessiva del veicolo. In questa fase, le deviazioni dimensionali possono causare problemi significativi come disallineamenti tra i vari componenti, difetti estetici e rumorosità. Questa tesi presenta l'implementazione di un sistema di analisi dei dati testato sui dati dimensionali delle scocche, raccolti presso un'azienda automobilistica di lusso. L'obiettivo è migliorare il controllo dimensionale attraverso l'analisi dei dati e il machine learning, rilevando in anticipo i possibili problemi dimensionali delle scocche.
Utilizzando i dati provenienti dalle Macchine di Misura a Coordinate (CMM), sono stati testati diversi modelli di machine learning per determinare quali predicono meglio le deviazioni dimensionali. Sono state valutate tecniche, tra cui la regressione lineare e non lineare, applicate sia in configurazioni a Output Singolo che Multi Output. È stata effettuata una simulazione per convalidare le prestazioni del miglior modello in un ambiente di produzione, testandone la capacità di prevedere condizioni di fuori tolleranza e di assistere gli ingegneri nelle correzioni preventive. Questo studio sottolinea l'importanza dell'integrazione dell'analisi avanzata dei dati nei processi di produzione per migliorare il controllo dimensionale.

Ensuring precise dimensional control in the Body-in-White (BIW) phase of automotive manufacturing is crucial for the overall vehicle quality. Deviations at this stage can lead to significant issues such as alignment problems, noise problems or water leakage. This thesis presents a case study in an automotive luxury company aimed at improving dimensional control through data analytics and machine learning models. The goal is to anticipate geometric out-of-tolerances to early detect dimensional issues. By analyzing data from Coordinate Measuring Machines (CMM), different machine learning models were evaluated to determine which ones best predict dimensional deviations. Techniques including both linear and non-linear regression were tested, applied in single-output and multi-output configurations. A simulation was conducted to validate the performance of the best model in a production environment, demonstrating its ability to predict out-of-tolerance conditions and assist engineers with early corrections. This study highlights the value of integrating advanced analytics into manufacturing processes to improve dimensional control.