Stocker (STK) – Thiết bị lưu trữ vật liệu cần được đo lường như thế nào?
Thực tế giám sát |Stocker (STK) – Thiết bị lưu trữ vật liệu cần được đo lường như thế nào?Trong kỷ nguyên Công nghiệp 4.0, nhiều thiết bị tự động hóa đã được ứng dụng để thay thế nhân công, không chỉ giúp tăng tốc độ vận hành mà còn đơn giản hóa các công việc nặng nhọc và quy trình phức tạp. Thiết bị lưu trữ Stocker (STK) đảm nhiệm vai trò quan trọng trong việc vận chuyển và lưu trữ vật liệu, vậy cần đo lường như thế nào để đảm bảo sự ổn định trong suốt quá trình vận hành?
Đặc điểm của Stocker
Trong kỷ nguyên Công nghiệp 4.0, các hệ thống tự động hóa được triển khai rộng rãi nhằm thay thế sức lao động thủ công,
tăng hiệu suất sản xuất và giảm thiểu rủi ro do con người gây ra.
Cùng với sự phát triển của ngành bán dẫn và công nghệ số hóa, để tối ưu hiệu quả kinh tế,
kích thước wafer ngày càng lớn, kéo theo đó là độ khó trong quá trình vận chuyển cũng tăng lên.
Vì vậy, trong nhà máy đã triển khai các hệ thống vận chuyển tự động như
AMHS (Automatic Material Handling System) – hệ thống vận chuyển vật liệu tự động,
hệ thống OHT (Overhead Hoist Transport),
và thiết bị lưu trữ Stocker nhằm đảm nhiệm các công việc vận chuyển quan trọng này.
Những hệ thống này không chỉ giúp giảm gánh nặng cho người vận hành
mà còn hạn chế tối đa các sự cố do yếu tố con người gây ra.
Tùy theo nhu cầu sử dụng, Stocker trong từng nhà máy sẽ có nhiều hình thức và cơ chế vận hành khác nhau,
chẳng hạn như ZIP Stocker, FOUP Stocker, Tower Stocker, Linear Stocker…
Phần lớn các hệ thống này đều được thiết kế theo kiến trúc mô-đun,
nhằm tiết kiệm không gian, nâng cao hiệu suất sử dụng
và tăng tính linh hoạt trong quá trình mở rộng và bảo trì.
Giải pháp và mô tả giám sát
Hệ thống giám sát thông minh bằng máy học VMS-ML
Trong các nhà máy sản xuất panel, Stocker đảm nhiệm việc lưu trữ kính nền (glass substrate),
còn trong nhà máy bán dẫn, Stocker được sử dụng để lưu trữ bán thành phẩm hoặc thành phẩm.
Dưới đây, Goodtech tập trung vào việc giám sát và chẩn đoán
hành vi vận chuyển cassette của Crane STK
cũng như tình trạng chất lượng của servo motor phanh.
Thông qua hệ thống giám sát thông minh bằng máy học VMS-ML,
hệ thống sẽ học tập các hành vi vận hành chính xác và thiết lập chúng làm tiêu chuẩn tham chiếu.
Từ đó, từng chuyển động riêng lẻ sẽ được giám sát và chẩn đoán.
Người vận hành có thể nhanh chóng xác định
thiết bị đang phát sinh bất thường hoặc mất ổn định ở giai đoạn hành động nào,
qua đó chủ động triển khai bảo trì dự đoán từ sớm,
nhằm tránh các sự cố bất ngờ gây gián đoạn sản xuất.
Tình trạng đo lường
Quy trình vận chuyển Cassette của Crane STK
Mô tả chuỗi hành động liên tục theo trình tự thời gian
khi hệ thống học tập hành vi vận chuyển Cassette của Crane STK:
Take:Crane thực hiện thao tác lấy Cassette
Put:Crane thực hiện thao tác đặt Cassette
Go:Crane trượt di chuyển vào vị trí trong cùng
Come:Crane trượt quay về vị trí khởi động
Thiết lập mô hình quản lý (Pattern) cho các hành động
Take、Put、Go、Come
Trạng thái nhận diện hành động trong quy trình vận chuyển Cassette của Crane STK
Đường màu vàng: chuẩn hành động học máy, đường màu trắng: tín hiệu thời gian thực
Hệ thống có thể tự động theo dõi chuyển động của tay máy, đồng thời quản lý các thao tác lấy và đặt Cassette, không xảy ra tình trạng nhận diện sai.
Độ tương đồng động học trung bình khi thiết bị vận hành bình thường:
Đặt Cassette – 91% | Lấy Cassette – 92%
Khi tay máy vận hành ổn định, đường hành động học máy (màu vàng) bám sát tín hiệu thời gian thực (màu trắng).
Trạng thái chuyển động quy trình Crane STK – chạy không tải (không có Cassette)
Đường màu vàng: chuẩn hành động học máy, đường màu trắng: tín hiệu thời gian thực
Độ tương đồng động học khi Crane chạy không tải đạt mức cao, thể hiện trạng thái vận hành ổn định.
So sánh trạng thái di chuyển của Crane STK khi có tải Cassette và khi chạy không tải
Đường màu vàng: chuẩn hành động học máy, đường màu trắng: tín hiệu thời gian thực
Sau khi Crane mang tải, trạng thái vận hành trở nên không đồng nhất, dẫn đến điểm tương đồng động học bị giảm.
Khi tay máy vận hành không ổn định, hành động học máy và tín hiệu thời gian thực không còn trùng khớp.
So sánh giá trị rung theo trình tự thời gian của bốn động cơ khi Crane chạy không tải
Mô tả trực quan trạng thái vận hành của động cơ
So sánh phân tích học máy của động cơ chịu tải L1 và L2 trên Crane STK
Động cơ chịu tải L1 của Crane STK
Động cơ chịu tải L2 của Crane STK
Kết luận đo lường
Qua thử nghiệm giám sát bằng hệ thống OLVMS-ML trong nhà máy, phát hiện động cơ STK L2 xuất hiện hiện tượng xung đột (spike) bất thường và có độ sai lệch lớn về độ tương đồng so với mô hình tham chiếu của động cơ khỏe mạnh, từ đó phát sinh cảnh báo. Động cơ L1 bị ảnh hưởng bởi L2 dẫn đến độ tương đồng dao động và xuất hiện bất thường về tần số. Động cơ R2 cũng chịu ảnh hưởng nhẹ từ L2, thể hiện qua sự dao động nhẹ của độ tương đồng (so với R1). Chỉ có động cơ R1, là động cơ nằm xa L2 nhất, thể hiện trạng thái vận hành tương đối ổn định.
Hệ thống giám sát thông minh dựa trên học máy VMS-ML có thể chỉ với một cảm biến duy nhất nắm bắt được tình trạng vận hành của các trục khác nhau, sau đó kết hợp với thiết bị phân tích động lực học VMS-PH để truy vết và xác định nguyên nhân gốc rễ của bất thường.
VMS-ML Hệ thống giám sát thông minh học máy