Dati in tempo reale: come migliorare l'RTY

Un componente devia leggermente dalla tolleranza alla stazione 2. Nessuno se ne accorge. Il pezzo prosegue verso la stazione 3, poi 4, 5 e 6, accumulando lavorazioni a ogni passaggio. Solo al controllo finale qualcuno rileva la deviazione.

A quel punto, il problema non è più semplicemente un pezzo difettoso. Diverse stazioni hanno già impiegato tempo, energia e manodopera su un componente che avrebbe dovuto essere fermato molto prima. Questo scarto temporale, tra il momento in cui la deviazione si verifica e quello in cui viene rilevata, è dove il Rolled Throughput Yield (RTY) diventa utile.

Sposta la domanda da quanti pezzi difettosi abbiamo trovato? a quanti pezzi hanno attraversato l'intero processo corretti al primo tentativo?

Il Rolled Throughput Yield (RTY) è la percentuale di pezzi che attraversano ogni fase del processo senza difetti e senza rilavorazioni. A differenza di una semplice media, l'RTY si calcola moltiplicando la resa al primo tentativo di ciascuna singola stazione.

Prendiamo una linea con tre stazioni:

• Stazione 1: resa 98%
• Stazione 2: resa 97%
• Stazione 3: resa 99%

La resa media è 98%. L'RTY, invece, è:

0,98 × 0,97 × 0,99 = 94,1%

Quindi, anche se ogni singola stazione sembra performare sopra il 97%, solo circa 94 pezzi su 100 attraversano tutte e tre le fasi corretti al primo tentativo. È proprio questo che rende l'RTY utile: fa emergere l'effetto cumulativo di piccole perdite che, guardate stazione per stazione, sembrano trascurabili.

Lo scrap rate dice quanto materiale o prodotto è stato scartato. L'RTY pone una domanda diversa: quanta produzione ha effettivamente attraversato il processo senza bisogno di correzioni?

Immagina 100 pezzi che percorrono una linea. Alcuni vengono scartati lungo il percorso. Altri arrivano al controllo finale, vengono segnalati come difettosi e rispediti in rilavorazione. Questi ultimi non compaiono mai nei dati di scarto, ma hanno già consumato tempo macchina, energia, materiali, ore operatore e capacità produttiva.

Il costo di un difetto, in altre parole, non coincide necessariamente con il momento in cui il prodotto viene scartato.

Non tutti i difetti si comportano allo stesso modo, ed è anche per questo che i controlli qualità basati su campionamento faticano a intercettarli. Alcuni sono facili da vedere, una volta che sai dove guardare. Altri non sono visibili affatto in condizioni normali.

• Deriva dimensionale: un elemento di fissaggio serrato leggermente fuori specifica, un componente posizionato con pochi millimetri di scarto. Presi singolarmente sono minimi, ma bastano a far fallire un assemblaggio a valle.
• Difetti superficiali ed estetici: graffi, incoerenze nella finitura, contaminazione su una superficie che dovrebbe essere pulita. Spesso visibili solo con un'illuminazione specifica o in ingrandimento.
• Anomalie termiche: un componente che scalda più del previsto, segnale precoce di una connessione destinata a cedere, invisibile a una camera standard e spesso anche a occhio nudo.
• Disallineamento ed errori di posizionamento: un componente montato con una leggera angolazione, un connettore non completamente inserito. Possono superare un controllo visivo rapido e causare comunque un guasto due stazioni più avanti.
• Contaminazione nascosta: residui, umidità o particolato intrappolati sotto una superficie, oppure dietro fumo o vapore nell'area di lavoro, dove l'imaging a luce visibile semplicemente non arriva.

Perché questi difetti sfuggono ai controlli standard? Perché un'ispezione campionaria verifica solo ciò che è vero per il pezzo che, per caso, sta osservando in quel preciso momento. Una deriva che inizia a metà turno può proseguire per ore prima che il campione successivo la rilevi, e a quel punto non si tratta più di un solo pezzo.

Colmare questo divario significa abbinare il sensore giusto al tipo di guasto, non usare un'unica tipologia di camera per ogni problema. È qui che SMA-RTY France, l'entità del gruppo dedicata alla visione multispettrale e all'AI embedded, entra direttamente nel discorso RTY.

Gli errori dimensionali e di posizionamento su una linea ad alta velocità richiedono un occhio rapido e preciso: ASB-1080 Mono, una camera monocromatica global shutter progettata per la vision industriale, nasce esattamente per questo tipo di precisione fotogramma per fotogramma, senza motion blur.

Le anomalie termiche richiedono un senso completamente diverso: THR-LW Thermal, una camera termica HD shutterless LWIR con sensibilità sub-60mK ed elaborazione FPGA in tempo reale fino a 60 FPS, può segnalare un componente che si sta surriscaldando prima che diventi un guasto, non dopo.

E per la contaminazione o i difetti nascosti da fumo, vapore o alcune plastiche, dove l'imaging a luce visibile si ferma, FNX-SWIR utilizza un sensore a infrarossi a onda corta per vedere attraverso condizioni che una camera standard non riesce a superare, una capacità ancora in fase di integrazione anticipata ma pensata esattamente per questo tipo di punto cieco.

Nessuna di queste tecnologie sostituisce un ispettore umano. Ciò che cambia è il momento in cui l'informazione diventa disponibile: nell'istante in cui la deviazione si verifica, stazione per stazione, invece che con un controllo a campione ore dopo.

Una linea raramente utilizza una sola camera. Ne utilizza diverse, ognuna dedicata a una stazione e a un tipo di guasto specifico, e ciascuna genera un flusso continuo di dati che deve arrivare a destinazione senza ritardi. È un problema di banda e affidabilità, non solo di visione.

Su una rete condivisa con traffico non correlato alla linea, un allarme sensibile al tempo può finire in coda dietro informazioni prive di qualsiasi urgenza operativa. Una rete 5G privata come NGCI nasce proprio per evitare questo scenario: latenza deterministica e un control plane che resta all'interno del perimetro dello stabilimento, così che una segnalazione dalla stazione 2 non resti in coda dietro traffico che con la linea non ha nulla a che fare. Il punto non è semplicemente collegare più camere. È garantire che, quando una di esse rileva qualcosa, l'allarme arrivi a destinazione prima che il pezzo successivo abbia già superato la stessa stazione.

Più camere su più stazioni producono più dati di quanti un operatore possa seguire direttamente, ed è qui che il livello di interpretazione trova il suo posto nella catena. Sul fronte dell'edge processing, hardware come BNX Carrier, costruito su NVIDIA Xavier NX e Orin NX per l'elaborazione AI on-site, può aggregare i dati di più flussi camera MIPI contemporaneamente invece di trattare ogni segnalazione come un evento isolato.

Un modulo AI embedded come BASEN opera sullo stesso livello: non si limita a segnalare che un fotogramma è diverso dalla baseline, ma aiuta a determinare se una specifica deviazione richiede uno stop immediato o può essere semplicemente registrata e monitorata. Questa distinzione è ciò che rende un sistema di rilevamento in tempo reale utile invece che rumoroso. Una linea che si ferma per ogni minima fluttuazione ha, a sua volta, un problema di resa.

La stessa architettura si applica ovunque un sistema debba rispondere a un ambiente fisico in continua evoluzione. Il progetto 5G-SHIELD di SMA-RTY, ad esempio, combina connettività 5G mmWave, data fusion e realtà aumentata per rendere più sicure le operazioni nelle aree di carico e scarico, dove la posizione di mezzi e personale cambia in modo continuo.

L'applicazione è diversa dal controllo qualità in linea, ma il principio di fondo è lo stesso: la percezione in tempo reale genera valore solo quando l'informazione riesce a muoversi abbastanza velocemente da supportare una decisione.

L'RTY non dice soltanto quanti pezzi hanno fallito. Rivela come piccole perdite nelle singole fasi si accumulino lungo l'intero processo. Migliorarlo non significa solo trovare più difetti. Significa abbinare il sensore giusto al tipo di guasto, comunicare in modo affidabile ciò che viene rilevato, e capire cosa significa prima di decidere cosa fare.

L'obiettivo è semplice: intercettare il problema quando è ancora un solo pezzo, non un intero lotto.