Maintenance prédictive depuis les tests

Maintenance prédictive à partir des données de test dans TofuPilot

Vos données de test contiennent déjà les signaux pour la maintenance prédictive. Un montage de test qui s'use ne tombe pas en panne subitement. Ses mesures dérivent d'abord. Les outils de tendance de TofuPilot vous permettent de voir la dérive avant qu'elle ne cause des défaillances.

Ce que les données de test révèlent sur la santé des équipements

Chaque exécution de test est un bilan de santé de deux choses : l'unité testée et l'équipement de test lui-même.

Quand une mesure commence à dériver, cela peut être le produit qui change ou la station de test qui change. Séparer les deux est la clé de la maintenance prédictive.

Le facteur discriminant : si la dérive ou la défaillance est spécifique à une station, c'est l'équipement.

Utiliser TofuPilot pour le suivi de santé des montages

Suivre les mesures clés par station

Filtrer les mesures par station pour isoler les tendances liées aux équipements des tendances liées au produit.

from tofupilot import TofuPilotClient

client = TofuPilotClient()

# Récupérer les exécutions récentes d'une station spécifique
runs = client.get_runs(
    procedure_id="BOARD-FUNCTIONAL",
    limit=500,
)

# Suivre la tendance de résistance de contact (indicateur d'usure des pogo pins)
contact_readings = []
for run in runs:
    for step in run.get("steps", []):
        for m in step.get("measurements", []):
            if m["name"] == "contact_resistance_mohm":
                contact_readings.append({
                    "date": run["created_at"],
                    "value": m["value"],
                    "station": run.get("station_id"),
                })

# Résistance de contact en hausse = pogo pins en cours d'usure

Définir des seuils de maintenance

N'attendez pas qu'un montage tombe en panne. Définissez des seuils de maintenance basés sur les tendances de mesure.

Quand la tendance de résistance de contact d'une station franchit le seuil de maintenance, planifier le remplacement des pins. Ne pas attendre qu'elle atteigne le seuil de défaillance.

Surveiller le temps de cycle comme indicateur de santé

Le temps de cycle de test est un signal de santé d'équipement sous-exploité. Un test qui prend normalement 42 secondes et commence à prendre 55 secondes vous dit quelque chose :

• Délais de communication avec les instruments (câbles GPIB vieillissants, problèmes de hub USB)
• Ralentissement des actionneurs (montage pneumatique, sonde motorisée)
• Boucles de réessai (contacts intermittents causant des réessais de mesure)
• Problèmes logiciels (fuites mémoire dans un logiciel de test tournant longtemps)

TofuPilot suit le temps de cycle pour chaque exécution. Une augmentation soudaine est un signal d'alerte précoce.

Détection de la dérive de calibration

Les instruments de test dérivent avec le temps. Un multimètre qui lit 3,300 V aujourd'hui pourrait lire 3,305 V le mois prochain. Si votre limite de spécification est 3,35 V, cette dérive de 5 mV réduit votre marge.

TofuPilot aide à détecter la dérive de calibration en comparant les distributions de mesures dans le temps :

1. Établir une distribution de référence pendant le premier mois après la calibration
2. Surveiller la distribution mensuellement
3. Si la moyenne se décale de plus de 10 % de la plage de spécification, recalibrer

Cette approche permet de passer d'une calibration basée sur le calendrier (tous les 6 mois quel que soit l'état) à une calibration basée sur l'état (quand les données montrent une dérive). Vous économisez sur les calibrations inutiles et évitez le risque de fonctionner avec un instrument dérivé.

Du réactif au prédictif

Les données pour la maintenance prédictive transitent déjà par vos stations de test. TofuPilot les stocke, les analyse en tendance et fait apparaître les signes d'alerte précoces. Il suffit de regarder.

Construire un tableau de bord de maintenance

Créer une vue de suivi centrée sur la santé des équipements :

1. Comparaison FPY par station : Une baisse du rendement d'une station = problème d'équipement
2. Tendance de résistance de contact par station : Tendance à la hausse = usure du montage
3. Tendance du temps de cycle par station : Tendance à la hausse = ralentissement de l'équipement
4. Variance des mesures par station : Variance en augmentation = contacts intermittents

Examiner ce tableau de bord chaque semaine. La plupart des problèmes d'équipement donnent des jours ou des semaines d'avertissement avant d'avoir un impact sur la production. Les données sont là. TofuPilot les rend visibles.