Non sono previste propedeuticità formali. Sono tuttavia preferibili, ma non obbligatorie, alcune conoscenze pregresse che facilitano l'apprendimento: i fondamenti di calcolo delle probabilità e statistica inferenziale (variabili aleatorie e principali distribuzioni, stima e verifica d'ipotesi), gli elementi di algebra lineare e analisi matematica del percorso triennale e una prima familiarità con un ambiente di calcolo tecnico-scientifico (MATLAB e/o Python). 

L'insegnamento affronta il controllo e il miglioramento continuo dei processi di produzione industriale, con particolare riferimento ai processi di lavorazione meccanica, integrando l'ingegneria statistica della qualità con le metodologie quantitative di supporto alla pianificazione e alla gestione della produzione. Nella prima parte sono trattati il controllo statistico di processo (SPC), le carte di controllo, l'analisi della capacità di processo e dei sistemi di misura in relazione a tolleranze e specifiche geometriche e dimensionali, la progettazione e l'analisi degli esperimenti (Design of Experiments e ANOVA) applicate all'ottimizzazione dei parametri di lavorazione. La seconda parte è dedicata alle metodologie di miglioramento (Six Sigma e ciclo DMAIC) e alla dimensione previsionale della produzione: la modellazione delle serie storiche di domanda mediante approcci ARIMA e SARIMAX per il demand planning, a supporto della programmazione della produzione e del dimensionamento delle risorse. Il corso adotta un approccio quantitativo e applicativo, con costante riferimento a casi di studio reali e simulati e allo sviluppo di codice.

Il corso mira a fornire competenze avanzate, metodologiche e applicative, per il monitoraggio, il controllo e il miglioramento della qualità dei processi produttivi, nonché per la loro pianificazione su base previsionale. Gli obiettivi sono articolati secondo i descrittori di Dublino.

Conoscenza e capacità di comprensione. Lo studente conosce i fondamenti del controllo statistico di processo, delle carte di controllo (Shewhart, CUSUM, EWMA), dell'analisi della capacità di processo e dei sistemi di misura, della progettazione degli esperimenti e dell'analisi della varianza, delle metodologie di miglioramento Six Sigma/DMAIC e dei modelli di previsione delle serie storiche (ARIMA e SARIMAX) applicati al demand planning.

Capacità di applicare conoscenza e comprensione. Lo studente è in grado di progettare e analizzare esperimenti fattoriali per l'ottimizzazione dei processi di lavorazione, costruire e interpretare carte di controllo, valutare la capacità di un processo rispetto alle tolleranze, e sviluppare modelli previsionali della domanda a supporto della programmazione della produzione, avvalendosi di strumenti di calcolo scientifico.

Autonomia di giudizio. Lo studente sa selezionare la metodologia più appropriata a un dato problema di controllo, miglioramento o pianificazione, valutarne criticamente ipotesi e limiti e interpretare i risultati in chiave decisionale e industriale.

Abilità comunicative. Lo studente è in grado di documentare e presentare in forma tecnica e rigorosa analisi, risultati e raccomandazioni operative, anche in lingua inglese.

Capacità di apprendimento. Lo studente acquisisce l'autonomia necessaria ad aggiornarsi sulle evoluzioni metodologiche e tecnologiche del settore, integrando approcci statistici consolidati e metodi quantitativi avanzati.

L'insegnamento si articola in lezioni frontali dedicate agli aspetti teorico-metodologici ed esercitazioni pratiche, condotte in ambiente MATLAB e/o Python, in cui gli studenti applicano le tecniche introdotte a dataset di processo e di domanda, reali e simulati (carte di controllo, piani sperimentali, ANOVA, modelli ARIMA/SARIMAX). La didattica è integrata da analisi di casi di studio industriali e da un lavoro d'anno progettuale, individuale o in piccoli gruppi, che richiede l'applicazione autonoma e critica delle metodologie del corso a un problema reale di controllo, miglioramento o pianificazione della produzione, con sviluppo di codice. Sono inoltre previsti approfondimenti seminariali su temi avanzati.

La valutazione si fonda su un lavoro d'anno e su una prova orale. Il lavoro d'anno, da inviare al docente almeno 10 giorni prima della data d'appello, consiste in una relazione tecnica approfondita accompagnata dal codice di elaborazione dati sviluppato in Python o MATLAB, con cui lo studente affronta un problema di controllo, miglioramento o pianificazione di processo applicando le metodologie del corso. La prova orale verte sulla discussione critica del lavoro d'anno e sull'accertamento della padronanza dei contenuti teorico-metodologici dell'insegnamento. Concorrono alla valutazione: la correttezza e il rigore nell'impiego dei metodi statistici e previsionali, la qualità, l'originalità e la riproducibilità dell'elaborato e del codice sviluppato, la capacità di analisi critica dei risultati e la chiarezza espositiva.

Gli appelli d'esame sono fissati secondo il calendario didattico di Ateneo e distribuiti nelle sessioni previste (estiva, autunnale e straordinaria/invernale). La prenotazione a ciascun appello avviene obbligatoriamente tramite il sistema ESSE3 entro i termini indicati. Le date aggiornate sono pubblicate sulla piattaforma di Ateneo e comunicate a lezione. Si ricorda che il lavoro d'anno deve pervenire al docente almeno 10 giorni prima della data dell'appello prescelto.

Si consiglia agli studenti di disporre di un proprio calcolatore con MATLAB e/o Python installati per seguire le attività pratiche. Il ricevimento studenti si tiene su appuntamento concordato via e-mail con il docente. Parte del materiale e alcuni riferimenti bibliografici sono in lingua inglese. Il lavoro d'anno può essere svolto individualmente o in piccoli gruppi, secondo le indicazioni fornite a inizio corso.

Il corso si sviluppa su un totale di 81 ore di lezione, così articolate per macro-argomento:

1. Qualità e variabilità nei processi di lavorazione; richiami di statistica (6 ore). Dimensioni della qualità di processo e di prodotto, fonti di variabilità nelle lavorazioni meccaniche, fondamenti statistici e inferenziali a supporto delle metodologie del corso.
2. Controllo statistico di processo (SPC) e carte di controllo (15 ore). Carte per variabili e per attributi, carte di Shewhart, CUSUM ed EWMA, regole di fuori controllo, analisi delle cause di variabilità e monitoraggio dei processi produttivi.
3. Capacità di processo, sistemi di misura e tolleranze (12 ore). Indici di capacità (Cp, Cpk, Pp, Ppk), relazione con tolleranze e specifiche geometriche e dimensionali, studi di ripetibilità e riproducibilità (Gage R&R) e adeguatezza dei sistemi di misura.
4. Progettazione e analisi degli esperimenti. DoE e ANOVA (18 ore). Piani fattoriali completi e frazionari, analisi della varianza a uno e più fattori, metodologia delle superfici di risposta e ottimizzazione dei parametri di lavorazione.
5. Metodologie di miglioramento dei processi. Six Sigma e DMAIC (9 ore). Ciclo Define-Measure-Analyze-Improve-Control, strumenti per il problem solving industriale, principi lean e riduzione degli sprechi.
6. Demand planning e previsione della produzione con modelli ARIMA e SARIMAX (12 ore). Analisi delle serie storiche, stazionarietà e differenziazione, identificazione, stima e diagnostica dei modelli ARIMA, estensione stagionale e con variabili esogene (SARIMAX), valutazione dell'accuratezza previsionale e impiego a supporto della programmazione della produzione.
7. Manutenzione predittiva e apprendimento statistico per la qualità (6 ore). Modelli predittivi per il monitoraggio delle condizioni di processo e di macchina e loro integrazione nelle logiche di controllo qualità.
8. Esercitazioni di laboratorio e casi di studio in MATLAB/Python (3 ore). Applicazione integrata delle metodologie a dati reali e simulati e sviluppo del codice a supporto del lavoro d'anno.

• D. C. Montgomery, Introduction to Statistical Quality Control, Wiley (ultima edizione).
• D. C. Montgomery, Design and Analysis of Experiments, Wiley (ultima edizione).
• G. E. P. Box, J. S. Hunter, W. G. Hunter, Statistics for Experimenters: Design, Innovation, and Discovery, Wiley.
• D. C. Montgomery, C. L. Jennings, M. Kulahci, Introduction to Time Series Analysis and Forecasting, Wiley.
• G. E. P. Box, G. M. Jenkins, G. C. Reinsel, G. M. Ljung, Time Series Analysis: Forecasting and Control, Wiley.
• Materiale didattico integrativo, dispense e casi di studio forniti dal docente durante il corso.