Il difetto si vede a fine cottura. Un modello lo vede tre ore prima.

Perché la difettologia arriva sempre a fine linea? Perché è lì che il difetto diventa visibile, misurabile e certo. Prima della scelta molti difetti non si distinguono a occhio: la spanciatura si legge sul piano di riscontro, il cavillo emerge ore dopo la cottura, la stonalizzazione la vedi solo sotto la cappa di luce controllata. Così il controllo si è organizzato dove il segnale è più forte: a valle.

Il problema è che a valle il costo è già sostenuto. Hai speso argilla, smalto, metano e un giro completo di forno per scoprire che quel lotto va in seconda scelta. Il distretto lo gestisce con mestiere (campionamenti, schede di difettologia, operatori che riconoscono una spanciatura al volo), ma è un controllo che fotografa il passato. La domanda che conta è un’altra: quei difetti erano già scritti nei dati di smaltatura e nella curva di cottura, qualche ora prima?

Quali difetti nascono a monte e si possono anticipare?

Quasi tutti quelli che dipendono da un parametro di processo, e non da un evento casuale. Un frammento che cade sul rullo è rumore; una microcavità che ricorre quando la densità della barbottina scende sotto soglia è un segnale. La regola pratica: se riesci a nominare la variabile che lo causa, un modello può imparare a vederlo arrivare.

• Cavillo. Cricche fini nello smalto dopo cottura. Correla con la dilatazione del supporto e con spessore e composizione dello smalto, variabili che misuri prima del forno.
• Spanciatura. Deformazione del pezzo fuori tolleranza. Nasce da gradienti termici in cottura e da umidità disomogenea tra pressatura ed essiccazione.
• Microcavità. Piccoli crateri nello smalto (pinhole). Spesso figlie di densità e viscosità della barbottina fuori finestra, o di aria intrappolata in applicazione.
• Stonalizzazione. Deriva di tono tra pezzi e tra lotti. Si anticipa incrociando ricetta colore, spessore applicato e profilo di cottura.

Cosa deve leggere il modello?

I dati che già escono dalla linea, letti insieme e nello stesso istante. Nessuno di questi segnali, da solo, predice il difetto; è la loro combinazione che sposta la probabilità. La buona notizia è che nella maggior parte degli stabilimenti sono già a bordo macchina, solo che vivono in silos separati.

• Smaltatura: peso applicato in grammi, densità e viscosità della barbottina, portata di campane e dischi.
• Pressatura ed essiccazione: umidità in ingresso e in uscita, profilo di carico, temperatura dell’essiccatoio.
• Cottura: curva del forno a rulli, delta tra le zone, ossidazione, velocità di avanzamento.
• Contesto: ricetta in corso, formato, cambio lotto, fermate e ripartenze.

Quanto vale, in punti di scarto e in energia?

Abbastanza da ripagarsi nel primo trimestre, se la linea ha volumi. Su una linea da 12.000 m²/giorno un solo punto di scarto recuperato vale intorno a 40.000 €/anno tra materia, energia e riscelta. E i casi che seguiamo si muovono tra mezzo punto e un punto e mezzo.

C’è poi la parte energetica. Fermare in tempo un lotto che stava andando storto significa non spendere il metano della sua cottura: un forno a rulli lavora intorno ai 1.180 °C e ogni pezzo che ci entra per uscire in seconda scelta è energia buttata. Non è un modello che promette lo zero difetti; è un modello che sposta la decisione di qualche ora, da dopo il forno a prima.

Non è la fabbrica con più sensori a vincere, ma quella che collega i dati che ha già (smaltatura, cottura, fine linea) in un’unica lettura, prima che il pezzo esca dal forno.

Dove sbaglia il modello, e come tenerlo onesto?

Sui falsi allarmi e sulle derive di ricetta, se lo lasci solo. Un classificatore troppo nervoso ferma linee che non andavano fermate, e in stabilimento la fiducia si perde in fretta: bastano due stop inutili per turno e l’operatore lo silenzia.

Per questo il modello va tenuto nel loop del laboratorio qualità, non sopra: soglie riviste sul campo, un canale semplice per dire «questo era buono», un occhio ai cambi di ricetta e di fornitore che spostano le distribuzioni. Onesto significa anche misurato: falsi positivi e falsi negativi vanno sul tabellone accanto ai punti di scarto, non nascosti nel software.

Un modello che nessuno controlla più diventa, in pochi mesi, un allarme che tutti ignorano. La difettologia predittiva resta un lavoro del laboratorio qualità, non del software da solo.