Novembre/Dicembre 2013
■
Automazione e Strumentazione
MANUTENZIONE PREDITTIVA
speciale
78
i diversi target di attività di manutenzione sono
rigidamente definiti indipendentemente dalla
reale condizione delle attrezzature e dallo stato
reale dei pezzi.
L’approccio preventivo, quindi, non permette di
utilizzare i vari componenti fino al loro completo
esaurimento e non tiene conto delle esigenze di
produzione.
Predective Maintenance
Come abbiamo visto in precedenza, la Preventive
Maintenance
sottostima
o
sovrastima
lo stato
delle parti. Per superare queste difficoltà la Pre-
dective Maintenance sembrerebbe una metodolo-
gia molto promettente. Infatti, questo approccio
fornisce un metodo per monitorare in real-time il
reale status delle macchine
di produzione e delle loro
parti, consentendo una pia-
nificazione della manuten-
zione più appropriata.
L’approccio è basato su
algoritmi computazionali
predittivi
(che possono
essere di tipo statistico) che
riguardano lo stato delle
parti della macchina e le
informazioni che proven-
gono direttamente dai sen-
sori montati sulla macchina
stessa di produzione.
Nel caso di approccio statistico, generalmente
si cercano correlazioni tra la durata del pezzo e
una o più variabili dell’apparecchiature di produ-
zione.
Predictive Maintenance applicata all’ESC
La durata dell’ESC e degli anelli di quarzo sono
misurate in minuti o ore di esposizione al pla-
sma reattivo, spesso chiamato “minuti RF” o
“ore RF”. Si osserva che
il flusso di “elio Backside”
riflette l’usura dell’ESC
della camera di processo.
Pertanto, il flusso di elio
dovrebbe presentare un
andamento monotono cre-
scente nel tempo misurato
in minuti o ore RF.
Come già detto, l’approc-
cio di manutenzione pre-
dittiva passa attraverso la
correlazione delle variabili
che in questo caso sono:
flusso di elio e ore-RF.
Le due variabili presen-
tano una correlazione
con le seguenti caratteristiche (
cfr
υ
figura 3
):
andamento monotono; alta rumorosità; outliers;
campionamento non uniforme; derivata non sta-
zionaria.
Sebbene sia un semplice problema bidimensio-
nale con caratteristiche note, dal punto di vista
computazionale non è così banale determinarne il
modello. L’andamento caratteristico della varia-
bile presa in considerazione, rendono lo studio
del modello difficile da affrontare con semplici e
standard tecniche statistiche.
Per questo caso di studio l’Università di Pavia ha
proposto l’utilizzo di una metodologia statistica
più avanzata: lo State-space gamma filtering.
Rimandiamo ad alcuni articoli specifici per i det-
tagli del metodo studiato e valutato
[2]
.
L’algoritmo fornisce la
predizione dello stato
del pezzo
da cambiare e una funzione di rischio
(
cfr
υ
figura 4
). In questo modo gli addetti alla
manutenzione possono ottimizzare le manuten-
zioni per la sostituzione della parte.
Per il caso di studio sono stati stimati i seguenti
vantaggi e guadagni: gli eventi di manutenzione
posso essere schedulati con maggior precisione;
lifetime dell’ESC aumentato; riduzione dell’un-
scheduled Down Time; riduzione dei costi.
L’algoritmo potrebbe essere applicato ad altri
dati di fabbrica che hanno andamenti simili,
aggiungendo ulteriori benefici.
Riferimenti
[1]
Ismi Predictive and Preventive Maintenance
Implementation Guidelines,
International Semat-
ech Manufacturing Initiative (Ismi).
[2]
A. Schirru, S. Pampuri, G. De Nicolao, “Par-
ticle filtering of hidden Gamma processes for
robust Predictive Maintenance in semiconduc-
tor manufacturing”, in
Automation Science and
Engineering
(Case), 2010 IEEE Conference on,
pp. 51–56, 2010.
■
Figura 3 - La figura rappresenta un esempio dell’insieme di dati
con le caratteristiche correlate alle due variabili
Figura 4 - Predizione e funzione di rischio
