Muchos procesos industriales involucran parámetros dinámicos durante al menos una parte de la secuencia de fabricación, por ejemplo, la temperatura o presión del reactor químico por lotes o la rampa de vacío del autoclave. Para la consistencia entre lotes, es importante encontrar una manera de comparar estas fases dinámicas de producción o configuración, de forma similar al uso de gráficos de control para monitorear la producción en estado estacionario.
JMP permite crear límites de control dinámicos a partir de varios lotes representativos con unos sencillos pasos. Los lotes futuros se pueden superponer en Graph Builder para garantizar que se ajusten a estos límites históricos. Esta demostración muestra los pasos para crear los límites de control y su uso para comparaciones entre lotes. Se analizan algunos de los desafíos que presenta este tipo de datos.
Bienvenidos a mi charla sobre la creación de gráficos de control en procesos dinámicos. El SPC o control estadístico de procesos se ha utilizado durante muchos años para monitorizar procesos que varían en torno a un valor de referencia fijo. El proceso se monitoriza a lo largo del tiempo, y la variación puede dividirse en dos componentes: variación por causa común, que se mantiene constante durante todo el proceso y siempre estará presente a menos que se realicen cambios fundamentales en el proceso, y variación por causa especial, donde un proceso se descontrola porque algo externo ha aumentado la variación.
Sin embargo, muchos procesos industriales no varían en torno a un punto fijo. Existen numerosos procesos por lotes donde el lote se procesa a lo largo del tiempo según una receta con pasos predefinidos, donde la temperatura, la presión y el vacío pueden aumentar con el tiempo. Por ejemplo, la conversión de monómeros a polímeros en un recipiente de reacción por lotes o el aumento del vacío o la presión en un mezclador para ajustar el nivel de disolvente o el contenido de humedad del material. Aún necesitamos encontrar una manera de asegurar la consistencia de los resultados entre lotes, que el comportamiento del proceso sea constante a lo largo del tiempo e identificar lotes de material que no se fabrican según el proceso estándar.
Esta presentación demuestra un enfoque visual pragmático para poder poner límites a lo largo del tiempo a esos procesos, para poder monitorear las desviaciones en el proceso, pero también para observar la configuración y el enfriamiento de los equipos de producción, el monitoreo de la condición, para asegurarse de que esas fases de arranque y enfriamiento sean consistentes a lo largo del tiempo.
Algunos ejemplos de la industria en la que trabajo incluyen mezcladores por lotes, donde se añade un monómero a un mezclador. Se calienta, se mantiene a temperatura constante y luego se enfría. Aquí, la temperatura se puede monitorear a lo largo del tiempo utilizando este método, pero también otros parámetros como el torque del motor, que podrían indicar el grado de polimerización. Otro ejemplo es un autoclave donde tomamos materiales compuestos de fibra de carbono y aplicamos vacío y temperatura, nuevamente, a una velocidad predefinida. Podemos tener periodos de reposo donde mantenemos el material a cierta temperatura durante un tiempo determinado y luego enfriamos las piezas.
Un ejemplo de cómo utilizamos esta técnica para la monitorización de condiciones es en extrusoras de doble tornillo, donde aplicamos vacío mediante varias bombas de vacío para eliminar el componente volátil de la resina. Queremos asegurarnos de que dichas bombas de vacío funcionen con la configuración óptima. Analizamos la fase de arranque de dichas bombas, donde pasan de la temperatura atmosférica al punto de ajuste definido al inicio de la producción. Todos estos tipos de procesos, donde los parámetros varían con el tiempo, se prestan a este tipo de enfoque.
En este caso, tenemos datos provenientes de nuestro historial de datos. Afortunadamente, los datos se capturan electrónicamente. Tenemos varios lotes apilados uno sobre otro, en este caso, etiquetados como fabricante de datos. Tengo 21 lotes de material, cada uno con un número de lote diferente. Tengo mi parámetro de proceso, vacío, y luego tengo mis incrementos de tiempo predefinidos. He capturado los datos cada 5 segundos y sé que cada lote debe alcanzar los puntos de ajuste de 210 milibares en un máximo de 17 minutos. Esto me da 205 filas de datos para cada lote fabricado en estos intervalos de 5 segundos. Aquí están mis datos para 21 lotes.
Necesito tomar estos datos y organizarlos de forma que pueda calcular el rango normal de valores en cada incremento de tiempo. Voy a dividir mi tabla de datos y crear una columna para cada incremento de tiempo, es decir, 5, 10, 15 segundos, etc., hasta llegar a los 17 minutos. Tendré una fila de datos para cada lote fabricado. Como tengo 21 lotes de datos, usaré 15 de ellos para crear los límites de control. Luego, compararé los seis lotes siguientes con esos límites de control para asegurarme de que el comportamiento del proceso siga siendo normal, estable y predecible.
Tomaré mi conjunto de datos apilados. Iré a Tablas y Dividir. Mi parámetro de proceso es lo que quiero dividir, es decir, el vacío. Voy a dividir mis columnas por vacío. Voy a agruparlo por mi número de lote, así que voy a tener una fila de datos para cada número de lote, pero quiero una columna de datos para cada incremento de tiempo, así que voy a dividir por tiempo. Podemos ver en esta tabla de vista previa, podemos verificar que los datos están en el formato esperado. Tenemos una fila para cada lote y una columna para cada incremento de tiempo. Si estamos contentos con eso, podemos hacer clic en Aceptar y habremos creado una tabla de datos. Como dije, vamos a tomar nuestros primeros 15 lotes y los usaremos para crear los límites de control. Eso significa que voy a ocultar y excluir los últimos seis lotes. Mi tabla de datos ahora se ve como la de la diapositiva.
Ahora, necesito calcular los límites de control para cada uno de esos incrementos de tiempo. Mi objetivo es determinar el nivel de vacío esperado en cada período. ¿Cuál es su promedio y cuáles son los límites de control en torno a ese promedio? ¿Cuál es la variabilidad de presión esperada en los incrementos de tiempo 5 y 10, etc.?
Voy a crear gráficos de rango móvil individuales, ya que cada uno de ellos es una ejecución independiente configurada por separado. Queremos gráficos de rango móvil individuales. Quiero crear uno para cada incremento de tiempo y asegurarme de que estén ordenados en secuencia temporal, que será por fabricante de datos. Hay 205 gráficos de control para generar, por lo que solo toma unos segundos.
Ahora tengo un gráfico de rango móvil individual para cada período, el cual se identifica en la descripción del gráfico. Puedo revisarlos y comprobar que no contenga nada más que variaciones de causa común. No hay puntos de datos extraños. Si estoy conforme con cada uno de esos gráficos, puedo guardar estos límites de control. Si observamos el ejemplo de 5 segundos, a los 5 segundos de la parada del extrusor, esperaría tener un nivel de vacío en el extrusor de 914,6 milibares con un rango de 865 a 963 milibares.
Si voy al triángulo rojo, puedo guardar esos límites. Se guardarán los límites para cada uno de esos períodos, y quiero guardarlos en una tabla vertical. Esto creará una tabla donde cada período tendrá un valor promedio y los valores dentro de los cuales esperaría que se encuentre la población normal. Ordenaré esto y eliminaré las columnas que no necesito, solo para conservar la media y los límites de control. Esto es todo lo que necesito para el análisis futuro.
Dado que esta columna ha tomado una etiqueta de los gráficos de control, se puede observar que el formato de estos datos no es numérico continuo. Necesito cambiarlo para asegurarme de que sea el tipo correcto de datos de tiempo, y también puedo cambiarle el nombre a "Tiempo" para asegurarme de que en el futuro quede claro qué es exactamente esa columna de datos.
Ahora tengo una tabla de datos que contiene mis límites de control para cada incremento de tiempo. Ahora, necesito organizar mis datos originales de nuevo con el tiempo y cada lote a lo largo del tiempo, cambiando con el tiempo para poder producir gráficos. Volveré a mis datos apilados. Voy a dividirlos de nuevo, pero esta vez lo haré de forma ligeramente diferente. Todavía quiero dividir por mi parámetro de proceso, vacío, pero en este caso, quiero agrupar por tiempo. Tendré una fila para cada incremento de tiempo y quiero dividir por mi número de lote, por lo que tengo una columna para cada lote. Nuevamente, puedo revisar la vista previa, asegurarme de que los datos estén agrupados de la manera que espero que estén agrupados. Cuando esté satisfecho, puedo presionar Aceptar. Ahora, tengo datos de secuencia de tiempo para cada lote como una columna separada, y puedo agregar lotes a esta a medida que estén disponibles en el futuro.
Podría tomar los límites de control que calculé y añadirlos a la tabla de datos, o crear un enlace virtual. Con este enlace, los datos no se vinculan permanentemente a la tabla, por lo que también se pueden usar en otros conjuntos de datos, o se pueden recalcular y modificar con el tiempo sin modificar los conjuntos de datos, pero siguen estando disponibles en los datos del proceso para poder usarlos en los límites del proceso. Puedo seguir usando los datos sin incorporarlos a la tabla de datos. Eso es lo que voy a hacer: crear un enlace virtual entre las dos tablas de datos.
Para ello, necesito tener una columna idéntica en ambos conjuntos de datos. En este caso, será la hora. Haré clic derecho en la columna de hora y la crearé como ID de enlace. Esta es la columna que incluye la información de identificación para vincularla a la tabla de datos. En la tabla de datos, haré clic derecho en Hora. Esta es la referencia del enlace y la vincularé a la tabla que contiene los límites de control y el promedio.
Si miro la selección de columnas a la izquierda, veo cada uno de mis lotes de material, mi columna de Tiempo y, en la parte inferior, las columnas con enlaces virtuales. Vemos que hay un enlace virtual, un pequeño icono. Vemos que esas columnas están ocultas y bloqueadas. No puedo modificar los datos de esas columnas en esta tabla. Tendría que volver a la tabla donde se encuentran los datos. Puedo mostrarlos si quiero verlos. Puedo ver los datos, pero no es necesario que estén visibles para usarlos. Los volveré a ocultar para que queden bien organizados.
Ahora, voy a graficar esos límites de control con Graph Builder, una plataforma extremadamente flexible para visualizar datos. Luego, puedo superponer cada uno de mis lotes sobre esos límites de control a lo largo del tiempo y comprobar si el comportamiento de cada lote se ajusta al esperado, según la población histórica de 15 lotes que utilicé para crear esos límites.
Si voy a mi tabla de datos, voy a Gráfico, Constructor de Gráficos. Obviamente, el tiempo está en el eje X. Luego, voy a colocar mis límites de control. Solo necesito las líneas, no los puntos de datos individuales. Para ver mejor mis lotes de producción, los atenuaré y los cambiaré a líneas discontinuas, para que quede claro qué son datos de lote y qué son límites de control. Los atenuaré, colocaré una línea discontinua para el promedio y una línea de puntos para los límites de control. Ahora podemos ver cómo se vería un proceso normal a lo largo del tiempo. Esperaríamos que cada valor del comportamiento de los procesos estables y consistentes a lo largo del tiempo se encuentre dentro de las líneas de puntos y, en promedio, cerca de la línea discontinua.
Ahora puedo superponer uno de mis nuevos lotes que no se usó para crear límites de control. Por ejemplo, este lote del 06/09/2023 sobre los límites de control y comparar su comportamiento a lo largo del tiempo con lo esperado. También podemos usar un selector de columnas para ver, desplazarse por los lotes y comparar cada uno con los límites de control. Si resalto el lote de producción en la parte superior y selecciono todos los demás lotes como columnas de reemplazo, tengo una lista en el selector de columnas de todos los lotes fabricados, y puedo desplazarme por ellos uno por uno y comparar mis seis nuevos lotes con los límites de control históricos. Si agrego nuevos lotes a mi tabla de datos, puedo compararlos fácilmente con estos límites de control. Si quiero enviar estos datos a alguien que no tenga JMP, también puedo animarlos, grabarlos, guardarlos como GIF y adjuntarlos a un correo electrónico si quiero enviar esa información a otra persona.
Otro ejemplo, basado en algunos de nuestros datos. Aquí, tenemos un proceso de resina donde la calentamos. Necesitamos mantenerla a un punto determinado durante un tiempo determinado y luego enfriarla para su descarga. De nuevo, creamos datos y gráficos de control similares. Al revisar los lotes, podemos observar que, ocasionalmente, podríamos encontrar una anomalía en los datos. En esos casos, deberíamos investigar si hay alguna diferencia en este lote en particular en comparación con la población estándar.
Hemos utilizado esta técnica ampliamente en diferentes áreas de nuestros procesos de fabricación y pruebas, y nos permite identificar con antelación cuándo los procesos empiezan a descontrolarse o dónde los equipos podrían requerir mantenimiento. Además, nos permite ver estos patrones en los datos antes de arriesgarnos a que falle el material o los equipos de producción. Lo que no queremos son averías de mantenimiento no programadas. Monitorear procesos como este nos permite planificar con antelación el inicio del deterioro de los equipos. Gracias.
