L'uso di diversi approcci di carte di controllo per misurazioni complesse in corso d'opera (come curve e distribuzioni), nonché il modo in cui gli strumenti statistici vengono utilizzati insieme all'automazione e alla gestione dei dati sono fondamentali per processi di produzione efficienti e sostenibili.
Mentre in ambito R&S si pone maggiore enfasi sull'estrazione di numerose misurazioni complesse per caratterizzare i prodotti, in ambito produttivo i criteri di superamento/fallimento tendono a basarsi su un numero ridotto di parametri, spesso dati a valore singolo. Ci impegniamo a colmare il divario tra R&S e produzione esplorando strumenti analitici per utilizzare preziose misurazioni complesse in-process per il monitoraggio e il controllo dei processi.
Ciao, mi chiamo Patricia Blanco García. Sono una Principal Scientist del team Formulations presso il Technology Center di Johnson Matthey, vicino a Reading, nel sud dell'Inghilterra. Sono una chimica di formazione e utilizzo JM da circa 4-5 anni. In questo articolo parlerò del ruolo dell'analisi dei dati nelle nuove tecnologie di analisi di processo. Se non avete mai sentito parlare di Johnson Matthey, JM è leader mondiale nelle soluzioni tecnologiche sostenibili, che aiutano le principali aziende del settore energetico, chimico e automobilistico a decarbonizzare, ridurre le emissioni nocive e migliorare la propria sostenibilità.
Ad esempio, un'auto su tre è dotata di un catalizzatore Johnson Matthey. Nel novembre 2023, JM ha reso possibile il primo volo transatlantico commerciale al mondo, alimentato interamente da carburante per aviazione sostenibile. La maggior parte dei prodotti Johnson Matthey è formulata, e questa immagine lo dimostra. Da sinistra, vediamo i catalizzatori che vengono inseriti nello scarico delle auto e sono rivestiti con una sospensione che contiene il catalizzatore attivo.
La seconda immagine è un inchiostro per celle a combustibile, e questi materiali vengono depositati per produrre strati di rivestimento per applicazioni su celle complete ed elettrolizzatori. Poi abbiamo le polveri che vengono utilizzate negli inchiostri, ma vengono anche utilizzate per realizzare catalizzatori granulati o pellettati, utilizzati nella produzione di prodotti chimici.
Le formulazioni contengono una miscela di particelle disperse, polimeri e additivi in un solvente. Come ho già detto, un esempio è il catalizzatore per auto che viene utilizzato nei sistemi di controllo delle emissioni. In questo caso, i materiali attivi per il catalizzatore vengono dispersi su polveri di ossidi metallici misti, che vengono poi formulati in una sospensione, che viene poi applicata sui supporti che vanno allo scarico dell'auto.
In JM produciamo centinaia di chili di questi fanghi, che vengono macinati secondo specifiche specifiche. Per noi, gestire il processo in ogni fase di questi materiali è fondamentale per la sostenibilità, sia dal punto di vista dell'uso dei materiali che del consumo energetico. Pertanto, l'introduzione di misurazioni online è fondamentale per raggiungere questo obiettivo.
Il team in cui lavoro faceva parte di un progetto Horizon 2020, che stava sviluppando una tecnologia di diffrazione laser in tempo reale per l'analisi granulometrica durante la lavorazione di dispersioni di catalizzatori inorganici. L'analisi granulometrica è una misurazione fondamentale per molti dei prodotti JM e fa parte di una suite di caratterizzazione per definire i criteri di analisi pregressa per i prodotti in diversi settori.
Tuttavia, le misurazioni granulometriche non sono disponibili online. Idealmente, si vorrebbe una misurazione in questo momento, ma nel nostro caso, i campioni vengono raccolti principalmente manualmente, con scale temporali specifiche, e poi misurati in laboratorio. I campioni possono invecchiare e possono anche essere misurati da operatori diversi. Questo è inefficiente e può portare a errori di ripetibilità e riproducibilità. Pertanto, le misurazioni in tempo reale sono importanti perché consentono una valutazione accurata del punto finale di costosi processi di macinazione e riducono al minimo il rischio di sovra-processamento.
Ciò che intendo discutere in questo poster è l'uso di diversi approcci di carte di controllo per misurazioni complesse in corso di processo, come curve e distribuzioni, e come l'uso di strumenti statistici insieme all'automazione e alla gestione dei dati siano fondamentali per processi di produzione efficienti e sostenibili.
Mentre in ambito R&S, si pone maggiore enfasi sull'estrazione di numerose misurazioni complesse per caratterizzare i prodotti in fase di produzione, i criteri di fallimento passati tendono a basarsi su un numero ridotto di parametri e spesso su un singolo valore. Ad esempio, i percentili di una distribuzione dimensionale, come mostrato qui a destra, ma una distribuzione dimensionale complessa delle particelle è meglio descritta utilizzando la curva completa, come quelle a sinistra.
Sul lato sinistro, i diversi colori corrispondono ai diversi intervalli temporali intermedi. In entrambi i casi, stiamo mostrando un confronto tra dati online e offline. Possiamo vedere che i trend sono comparabili, ma è tutto molto soggettivo. L'uso di strumenti statistici può aiutarci a essere meno soggettivi. Il primo strumento che voglio mostrarvi è una carta di controllo. Le carte di controllo sono utilizzate specificamente per il monitoraggio di una o più variabili di processo. Queste variabili di processo possono essere temperatura, pressione, ecc. L'asse X sarà il tempo.
In questo esempio, stiamo esaminando le misurazioni delle dimensioni delle particelle per un campione di polvere e stiamo monitorando la percentuale in modo indipendente. Abbiamo D10, D50 e D90. I percentili, sebbene li utilizziamo costantemente, non sono molto efficaci come criptovalute per una distribuzione multimodale. Pertanto, l'obiettivo finale è monitorare o visualizzare l'intera curva, non solo i percentili.
Possiamo costruire grafici di controllo delle curve per aiutarci a visualizzare un'intera distribuzione, non solo un valore. Questa metodologia è stata adattata da Nicola Brammer di Solvay, che l'ha presentata al summit dello scorso anno, e utilizza questo strumento per monitorare un processo batch, ma noi l'abbiamo adattata per monitorare le misurazioni delle dimensioni delle particelle.
Le singole carte di controllo vengono costruite per ogni classe dimensionale al fine di poter costruire la carta di controllo della curva. I limiti di controllo sono una rappresentazione della variazione ereditata nel processo. Utilizziamo misurazioni storiche per calcolare i limiti di controllo sulla base di misurazioni precedenti. Visivamente, possiamo vedere se il processo è fuori controllo, se una curva è fuori dai limiti di controllo. La linea verde mostra una misurazione corrente tracciata rispetto alla media delle misurazioni, che è la linea nera continua, e rispetto ai limiti di controllo superiore e inferiore, che sono le linee tratteggiate, oltre ai limiti di controllo; potremmo anche aggiungere limiti di specifica se lo desideriamo.
Questo è probabilmente migliore del precedente grafico di controllo perché qui stiamo osservando l'intera distribuzione, non solo un insieme di valori, ma è ancora solo visiva. Se facciamo un ulteriore passo avanti e utilizziamo le componenti principali, possiamo monitorare le distribuzioni dimensionali, le componenti principali di ciascuna curva. In questo caso, il grafico di controllo basato sul modello di analisi delle componenti principali consente di monitorare la distribuzione utilizzando la funzione e le componenti principali per ciascuna delle curve. È possibile creare un grafico di controllo per rappresentare l'intera distribuzione, basato sulle componenti principali funzionali.
Spero di avervi dimostrato che le misurazioni in tempo reale dei parametri di processo sono fondamentali per il controllo dei processi e che gli strumenti statistici possono aiutarvi a estrarre il massimo valore dai dati che produciamo. Stiamo lavorando per applicare questo approccio a casi di studio reali, sia in ambito di ricerca e sviluppo che in ambito produttivo. Per concludere, vorrei ringraziare George Platt e Chand Malde per aver fornito alcuni dei dati di fresatura utilizzati in questa presentazione. Inoltre, Pilar Gomez mi ha aiutato a trasformare le mie idee in strumenti applicabili ai nostri dati. Grazie per l'ascolto.
