El uso de diferentes enfoques de gráficos de control para mediciones complejas durante el proceso (como curvas y distribuciones), así como la forma en que se utilizan las herramientas estadísticas junto con la automatización y la gestión de datos, son fundamentales para lograr procesos de fabricación eficientes y sostenibles.
Mientras que en I+D se hace mayor hincapié en la extracción de numerosas mediciones complejas para caracterizar los productos, en fabricación los criterios de aprobación/rechazo suelen basarse en un número reducido de métricas, a menudo datos de un solo valor. Nos esforzamos por acortar la distancia entre I+D y fabricación explorando herramientas analíticas que utilizan valiosas mediciones complejas durante el proceso para la monitorización y el control de los procesos.
Hola, me llamo Patricia Blanco García. Soy Científica Principal del equipo de Formulaciones del Centro Tecnológico de Johnson Matthey, cerca de Reading, en el sur de Inglaterra. Soy química de formación y llevo utilizando JM unos 4 o 5 años. En esta contribución, voy a hablar sobre el papel del análisis de datos en las nuevas tecnologías de análisis de procesos. Si aún no conoce a Johnson Matthey, JM es líder mundial en soluciones tecnológicas sostenibles que ayudan a empresas líderes de los sectores energético, químico y automotriz a descarbonizarse, reducir las emisiones nocivas y mejorar su sostenibilidad.
Por ejemplo, uno de cada tres automóviles está equipado con un convertidor catalítico de Johnson Matthey. En noviembre de 2023, JM hizo posible el primer vuelo transatlántico comercial del mundo, impulsado íntegramente con combustible de aviación sostenible. La mayoría de los productos de Johnson Matthey están formulados, y esta imagen lo ilustra. De izquierda a derecha, se encuentran los convertidores catalíticos que se instalan en el escape de los automóviles y que están recubiertos con una suspensión que contiene el catalizador activo.
La segunda imagen muestra una tinta para celdas de combustible, que se deposita para producir capas recubiertas para aplicaciones de celdas completas y electrolizadores. También se utilizan polvos en tintas, pero también para fabricar catalizadores granulados o peletizados que se utilizan para la producción de productos químicos.
Las formulaciones contienen una mezcla de partículas dispersas, polímeros y aditivos en un disolvente. Como mencioné, un ejemplo es el catalizador para automóviles que se utiliza en los sistemas de control de emisiones. En este caso, los materiales activos del catalizador se dispersan en polvos de óxido metálico mixto, que se formulan en una suspensión, la cual se utiliza para recubrir los soportes que se utilizan en el escape del automóvil.
En JM, producimos cientos de kilos de lotes de estas pulpas, que se muelen según ciertas especificaciones. Para nosotros, abordar el proceso de estos materiales en una sola etapa es crucial para la sostenibilidad, tanto en términos de uso de materiales como de energía. Por lo tanto, la introducción de mediciones en línea es fundamental para lograrlo.
El equipo en el que trabajo formó parte de un proyecto Horizonte 2020 que desarrollaba tecnología de difracción láser en tiempo real para el análisis del tamaño de partícula durante el procesamiento de dispersiones de catalizadores inorgánicos. El análisis del tamaño de partícula es una medición crucial para muchos de los productos de JM y forma parte de un conjunto de caracterización para definir los criterios históricos de productos en diferentes áreas de negocio.
Sin embargo, las mediciones del tamaño de partícula no se realizan en línea. Idealmente, se desea una medición en este caso, pero en nuestro caso, las muestras se recolectan principalmente manualmente en escalas de tiempo específicas, y luego se miden en el laboratorio. Las muestras pueden envejecer y también pueden ser medidas por diferentes operadores. Esto es ineficiente y puede generar errores de repetibilidad y reproducibilidad. Por lo tanto, las mediciones en tiempo real son importantes porque permiten una evaluación precisa del punto final de los costosos procesos de molienda y también minimizan el riesgo de sobreprocesamiento.
Lo que quiero discutir en este póster es el uso de diferentes enfoques de gráficos de control para mediciones complejas en proceso, como curvas y distribuciones, y cómo el uso de herramientas estadísticas junto con la automatización y la gestión de datos son fundamentales para lograr procesos de fabricación eficientes y sostenibles.
En I+D, se hace mayor hincapié en la extracción de numerosas mediciones complejas para caracterizar los productos durante la fabricación. Los criterios de fallo anteriores suelen basarse en un número reducido de métricas y, a menudo, en datos de un solo valor. Por ejemplo, los percentiles de una distribución de tamaño, como se muestra aquí a la derecha, pero una distribución compleja del tamaño de partícula se describe mejor utilizando la curva completa, como las de la izquierda.
En el lado izquierdo, los diferentes colores corresponden a los diferentes intervalos de tiempo intermedios. En ambos casos, mostramos una comparación entre datos en línea y fuera de línea. Podemos ver que las tendencias son comparables, pero todo es muy subjetivo. El uso de herramientas estadísticas puede ayudarnos a ser menos subjetivos. La primera herramienta que quiero mostrarles es un gráfico de control. Los gráficos de control se utilizan específicamente para monitorear una o varias variables de proceso. Estas variables pueden ser temperatura, presión, etc. El eje X representará el tiempo.
En este ejemplo, analizamos las mediciones del tamaño de partícula de una muestra de polvo y monitorizamos el porcentaje de forma independiente. Contamos con los valores D10, D50 y D90. Los percentiles, aunque los usamos constantemente, no son muy útiles como criptografía para una distribución multimodal. Por lo tanto, el objetivo final es monitorizar o visualizar la curva completa, no solo los percentiles.
Podemos crear gráficos de control de curvas para visualizar una distribución completa, no solo un valor. Adaptamos esta metodología de Nicola Brammer, de Solvay, quien la presentó en la cumbre del año pasado. Ella utiliza esta herramienta para monitorear un proceso por lotes, pero la hemos adaptado para monitorear las mediciones del tamaño de las partículas.
Los gráficos de control individuales se construyen para cada clase de tamaño para poder construir el gráfico de control de la curva. Los límites de control representan la variación inherente del proceso. Utilizamos mediciones históricas para calcular los límites de control con base en mediciones previas. Visualmente, podemos ver si el proceso está fuera de control y si una curva está fuera de los límites de control. La línea verde muestra una medición actual graficada contra la media de las mediciones (línea negra continua) y contra los límites de control superior e inferior (líneas discontinuas). Además de los límites de control, también podríamos agregar límites específicos si lo deseamos.
Esto es posiblemente mejor que el gráfico de control anterior, ya que aquí observamos la distribución completa, no solo un conjunto de valores, sino que sigue siendo visual. Si profundizamos un poco más y utilizamos componentes principales, podemos monitorizar las distribuciones de tamaño, es decir, los componentes principales de cada curva. En este caso, el gráfico de control basado en el modelo de análisis de componentes principales permite monitorizar la distribución utilizando la función y los componentes principales para cada curva. Se puede crear un gráfico de control para representar la distribución completa, basado en los componentes principales funcionales.
Espero haberles demostrado que las mediciones en tiempo real de los parámetros de proceso son cruciales para controlar los procesos y que las herramientas estadísticas pueden ayudar a extraer el máximo valor de los datos que generamos. Estamos trabajando para implementar este enfoque en casos prácticos reales, tanto en I+D como en entornos de fabricación. Para concluir, me gustaría agradecer a George Platt y Chand Malde por proporcionar algunos de los datos de fresado para esta presentación. Además, Pilar Gómez me ayudó a convertir mis ideas en herramientas que podemos aplicar a nuestros datos. Gracias por su atención.
