Pourquoi ?
Chez TT PSC, nous pensons que les leaders de la fabrication doivent s’appuyer sur des données fiables et en temps réel pour atteindre les véritables objectifs de l’Industrie 4.0 (r)Evolution. Ces données peuvent renforcer les connaissances et la sensibilisation et identifier les actions nécessitant une amélioration.
Dans la série Lesson Learned Explained, nous présentons des exemples de projets achevés ainsi que des points de vue. Nous espérons que ce court document vous aidera à éviter au moins certains des pièges sur le chemin de la transformation numérique.
Défi : Contrôler et améliorer la qualité des produits finis
Une entreprise de l’industrie électronique spécialisée dans la fabrication de semi-conducteurs s’est fixé comme objectif majeur d’apporter des améliorations ayant un impact positif sur la qualité des produits finaux. Un élément clé était de surveiller et d’identifier les corrélations qui permettraient de prédire la qualité satisfaisante des produits sortant de la chaîne de production. Pour ce faire, des données provenant des machines et des stations de contrôle de la qualité ont été soumises à une analyse approfondie. Cela a permis à l’entreprise de mieux comprendre les facteurs qui affectent la qualité de ses produits.
Solution : Intégration des systèmes et modélisation des données
Pour atteindre son objectif, l’entreprise, en coopération avec TT PSC, a mis en œuvre une solution qui comprenait l’intégration avec des PLC et des systèmes de soutien à la production. Un élément clé était l’analyse des données historiques et la modélisation avec des capacités de qualité prédictive. Cela a permis de prévoir les problèmes de qualité potentiels, de les détecter rapidement, de les résoudre et d’éviter qu’ils ne se reproduisent à l’avenir.
Problèmes de mise en œuvre : Faible précision de la modélisation de l’IA.
Malgré une modélisation IA (Intelligence Artificielle) avancée basée sur les paramètres du processus, la solution s’est avérée inefficace et peu précise. Le problème a été identifié comme étant un trop grand nombre de facteurs – surveillés ou non – et de variantes de produits, ce qui rendait les modèles plus complexes et coûteux et inefficaces. En conséquence, les algorithmes ne pouvaient pas prédire avec précision la qualité des produits après le processus de fabrication.
Correction : Un nouveau modèle basé sur des équations physiques
En réponse aux problèmes identifiés, les experts de TT PSC ont construit un nouveau modèle basé sur des équations physiques. Au lieu de s’appuyer uniquement sur des algorithmes d’intelligence artificielle (IA) et d’apprentissage automatique (ML) pour analyser les données de processus, ils ont utilisé une approche fondée sur les principes fondamentaux de la physique.
Comment cela pourrait avoir un impact positif sur le problème :
- Réduction de la complexité : Les modèles basés sur des équations physiques peuvent être moins complexes que les modèles d’IA avancés, car ils reposent sur des principes physiques bien compris plutôt que sur l’analyse de grandes quantités de données. Cela réduit le risque d’erreurs dues à un nombre excessif de variables.
- Interprétation plus directe : Les modèles physiques sont souvent plus transparents et plus faciles à interpréter que les modèles d’IA, ce qui permet aux ingénieurs de mieux comprendre les facteurs qui influent sur la qualité des produits.
- Stabilité et cohérence : Les modèles physiques peuvent être plus stables et plus cohérents parce qu’ils sont basés sur des lois physiques fixes plutôt que sur des données de processus variables qui peuvent varier d’une série de produits à l’autre.
- Évolutivité : Les modèles physiques peuvent être plus facilement mis à l’échelle et adaptés à différentes variantes de produits, ce qui est plus difficile à réaliser avec des modèles d’IA complexes.
Cela a permis d’obtenir des prédictions plus précises de la qualité des produits, en éliminant l’influence des variables excessives et des différences entre les séries de produits. Cela a permis d’obtenir des résultats plus cohérents et plus fiables.
Résultat : Identification et résolution des problèmes de qualité
Au départ, le modèle ML utilisé pour analyser les paramètres du processus n’a pas pu atteindre la précision attendue. Cela était dû à un trop grand nombre de facteurs et de différences entre les séries de produits. Ce n’est qu’en utilisant des équations de modélisation standard basées sur la physique que l’algorithme AI/ML a pu fonctionner efficacement. L’entreprise a ainsi pu mieux contrôler la qualité de ses produits et réagir plus rapidement aux problèmes potentiels.
Conclusions
Plusieurs conclusions essentielles peuvent être tirées des activités menées :
- Même les algorithmes avancés doivent produire des résultats faciles à interpréter et pratiques.
- Les algorithmes doivent soutenir le processus de prise de décision en fournissant des informations précieuses.
- L’expertise industrielle et l’expérience des technologues de la fabrication sont essentielles à la réussite de la mise en œuvre de l’apprentissage automatique.
- Les algorithmes peuvent analyser des données que l’approche intuitive des experts négligerait généralement.
