SEAI Logo
Caso studio • Nesting AI

Nesting API: ottimizzazione taglio lamiere con intelligenza artificiale

Per un'azienda italiana specializzata nel taglio e nella lavorazione di lamiere di grosso spessore (plasma e ossitaglio), abbiamo sviluppato un motore di nesting intelligente che riduce gli sprechi e accelera il flusso produttivo.

PlasmaOssitaglioDXF ImportCommon-line cuttingERP Integration
-11.8%
Sfrido medio
-42%
Tempo di setup
+9%
Throughput impianto
5 mesi
Payback dell'investimento

Il cliente

Il cliente è un'azienda italiana con oltre trent'anni di esperienza nella lavorazione e nel taglio lamiere di grosso spessore, con tecnologie al plasma e ossitaglio. Opera per diversi settori industriali (meccanico, carpenteria, impiantistica), con elevati standard qualitativi e certificazione ISO 9001. La gestione è affidata a un team con lunga esperienza nel settore siderurgico, con un approccio organizzato che copre preventivazione, produzione e logistica.

Prima del progetto, il nesting veniva completato con strumenti CAD/CAM generici e interventi manuali degli operatori per rispettare vincoli di kerf, ordini urgenti e sfridi da riutilizzare. Questo comportava variabilità nei tempi di setup e occasionali sprechi di materiale.

In breve

  • Taglio lamiere: plasma e ossitaglio
  • Gestione nesting ordini variabili e piccoli lotti
  • Certificazione qualità ISO 9001
  • Integrazione con ERP e CNC

La sfida

Ridurre lo sfrido e i tempi di setup su commesse con alta variabilità di forme e spessori, garantendo al contempo percorsi di taglio compatibili con plasma e ossitaglio (pierce minimi, gestione calore, collisioni e deformazioni) e sfruttando al massimo gli sfridi disponibili a magazzino.

  • Vincoli geometrici reali: kerf, lead-in/out, distanza minima tra pezzi, heat-affected zones
  • Supporto a common-line cutting e chain cutting ove consentito
  • Riuso automatico degli sfridi con tracciabilità
  • Integrazione semplice con flussi ERP e macchine CNC

Criteri di successo

  • Riduzione sfrido ≥ 8% sul baseline annuale
  • Setup medio nidificazione -35% o migliore
  • Generazione piani entro 3–5 minuti per lotto medio
  • Compatibilità DXF/DWG e post-processor CNC esistenti

La soluzione: Nesting AI + euristiche industriali

Abbiamo sviluppato un motore di nesting esposto via API che combina euristiche (first/next-fit, bottom-left, no-fit polygon) con ottimizzazione metaeuristica (simulated annealing/GRASP) e una componente AI che stima la qualità di posizionamenti candidati in base alla geometria e ai vincoli di processo.

  • Geometrie: import DXF, unione/offset con kerf, gestione fori e microgiunzioni
  • Percorsi: pierce minimization, common-line e chain cutting quando sicuro
  • Calore: distribuzione termica e sequenze per ossitaglio su grossi spessori
  • Sfridi: catalogo sfridi con forma e dimensioni, riutilizzo automatico

Il servizio è stato realizzato come microservizio Python (FastAPI) con motore di ottimizzazione custom, orchestrazione job, logging e post-processor compatibile con i profili macchina esistenti. Deployment on‑prem su industrial PC, integrazione con ERP tramite webhook e scambio file DXF/DSTV.

Stack

  • FastAPI, Python
  • Ottimizzazione custom + euristiche NFP
  • Gestione DXF/DWG e offset poligonali
  • REST API + integrazione ERP/CNC
  • Monitoraggio job e audit trail

Risultati

-11.8%
Sfrido medio
-42%
Tempo di setup nesting
+9%
Pezzi/turno a parco macchine invariato
≤ 3 min
Nidificazione lotti medi

I valori riportati sono medie su orizzonte trimestrale rispetto al baseline dell'anno precedente. Il miglioramento varia in funzione della mix di commesse, spessori e disponibilità sfridi.

"Il sistema di nesting AI ha trasformato il nostro processo produttivo. La riduzione degli sprechi è stata immediata e significativa, e i tempi di setup sono diminuiti drasticamente. Un investimento che si è ripagato in pochi mesi."
Responsabile di Produzione

Vuoi ottimizzare il nesting anche tu?

Scopri la nostra Nesting API o parlaci del tuo impianto: valutiamo insieme risparmi e tempi di ritorno.