Table des Matières
La qualité prédictive utilise les données enregistrées pendant la production, comme les réglages machine, les signaux des capteurs et les résultats de test de chaque station, pour estimer si chaque pièce ou chaque lot passera son contrôle qualité final. Les pièces susceptibles d'être non conformes sont signalées tant qu'on peut encore les contrôler, les retoucher ou les écarter, au lieu d'être découvertes en fin de ligne ou par le client.
Points clés
- Une revue de 81 études publiée en 2022 définit la qualité prédictive comme l'utilisation de l'apprentissage automatique pour estimer la qualité du produit à partir des données procédé et produit, mais constate que, dans la plupart des cas, les approches n'étaient pas intégrées à un procédé de fabrication en fonctionnement (Tercan et Meisen, 2022).
- La première condition est la traçabilité unitaire : chaque unité doit être reliée aux données enregistrées pour elle à chaque station et à son résultat de contrôle final.
- Les défauts sont rares, donc l'exactitude (accuracy) induit en erreur. Dans les données de la ligne de production Bosch, moins de 1 % des pièces étaient défectueuses (Mangal et Kumar, 2016) : un modèle qui déclare toutes les pièces bonnes est exact à plus de 99 % et ne détecte rien.
- Le seuil d'alerte est une décision économique qui arbitre entre contrôles supplémentaires et défauts non détectés. La probabilité de 0,5 par défaut est rarement la bonne (scikit-learn).
- Validez sur une période postérieure aux données d'entraînement, et surveillez la dérive du modèle une fois en service.
Qu'est-ce que la qualité prédictive ?
Tercan et Meisen définissent la qualité prédictive comme l'utilisation de l'apprentissage automatique et de l'apprentissage profond en production pour estimer la qualité liée au produit à partir des données procédé et produit (Tercan et Meisen, 2022). L'estimation peut être une valeur, comme le poids d'une pièce ou une rugosité de surface, ou une classe, comme conforme ou non conforme. Sur les 81 études examinées, publiées de 2012 à 2021, 51 portaient sur une régression et 30 sur une classification, et l'usinage par enlèvement de matière et l'assemblage (surtout le soudage) étaient les procédés les plus étudiés.
L'objectif est de remonter la décision qualité vers l'amont. Un défaut créé à la station 3 est généralement découvert au test de fin de ligne, après que les stations suivantes ont ajouté de la valeur à une pièce déjà bonne pour le rebut. Un modèle qui lit les données de la station 3 peut la signaler immédiatement.
En quoi diffère-t-elle de la MSP, du contrôle et des capteurs logiciels ?
Le NIST distingue deux outils plus anciens. La maîtrise statistique des procédés (MSP, ou SPC) repose sur la comparaison entre ce qui se passe aujourd'hui et ce qui s'est passé auparavant, tandis que les outils de contrôle statistique de la qualité examinent le produit à la recherche de défauts ou de pièces défectueuses une fois toutes les opérations terminées (NIST/SEMATECH). La qualité prédictive se situe entre les deux : elle utilise les données procédé, comme la MSP, mais son résultat porte sur chaque unité, comme le contrôle.
| Approche | Entrée | Résultat | Quand la réponse arrive |
|---|---|---|---|
| Contrôle ou test de fin de ligne | Le produit fini | Conforme ou non conforme, mesuré | Après toutes les opérations |
| Maîtrise statistique des procédés | Une ou quelques variables procédé | Le procédé a changé | Pendant la production, variable par variable |
| Détection d'anomalies | De nombreuses variables procédé | Cela ne ressemble pas au fonctionnement normal | Pendant la production |
| Qualité prédictive | Données procédé et produit rattachées à chaque unité | Qualité prédite, ou probabilité de défaut, pour cette unité | Dès que les stations concernées ont fonctionné |
| Capteur logiciel | Mesures procédé continues | Estimation continue d'une variable qualité | En continu, dans les procédés continus |
Notre guide des méthodes de détection d'anomalies traite de la troisième ligne ; contrairement à la qualité prédictive, elle n'a pas besoin d'étiquettes de défauts. Dans les procédés continus, la même idée s'appelle un capteur logiciel, et dans les usines batch, la prédiction de la qualité d'un lot. Ce guide porte sur les pièces discrètes et les lignes à plusieurs stations.
Que montrent les travaux publiés ?
Injection plastique sur une cellule pilote. Aminabadi et al. ont moulé une pièce en ABS à haute brillance avec des capteurs de pression et de température dans le moule, des signaux machine collectés via OPC UA, des capteurs d'ambiance et une mesure en ligne de chaque pièce. Avec environ 2 500 échantillons, les modèles ont prédit le poids de la pièce et l'une de ses dimensions avec un R² d'environ 0,99, mais l'aspect de surface est resté à environ 0,70 (Aminabadi et al., 2022). Les défauts d'aspect sont plus difficiles à prédire que le poids. Les données provenaient d'un plan d'expériences de 56 réglages, et non de plusieurs mois de production.
Une ligne d'assemblage aux défauts rares. Bosch a publié, dans un concours Kaggle, les mesures et résultats de tests anonymisés des pièces circulant sur ses lignes. Mangal et Kumar décrivent 1 184 687 pièces d'entraînement, 51 stations réparties sur 4 lignes de production, plus de 4 000 variables et moins de 1 % de pièces défectueuses (Mangal et Kumar, 2016). Leur modèle de gradient boosting a atteint une AUC de 0,718 : utile pour classer les pièces par niveau de risque, loin d'un tri parfait. Ils ont aussi trouvé plus de 7 000 parcours distincts à travers les stations, signe de plusieurs familles de produits qui demanderaient chacune leur propre modèle.
Un procédé de semi-conducteurs. Le jeu de données SECOM contient 1 567 enregistrements de production de 591 variables chacun, dont 104 non conformes, avec des valeurs manquantes. Sa description précise que les signaux mesurés mêlent informations utiles, informations sans intérêt et bruit (UCI Machine Learning Repository).
La revue constate le même écart dans l'ensemble du domaine : la plupart des études utilisent environ 100 échantillons, et dans la plupart des cas les approches ne sont pas intégrées au procédé de fabrication (Tercan et Meisen, 2022).
De quelles données a-t-on besoin ?
- Un identifiant unique par unité : numéro de série, code Data Matrix ou numéro de lot, lu à chaque station.
- Les données procédé par unité et par station : consignes, valeurs réelles, courbes de capteurs comme la pression ou le couple, temps de cycle, et l'outillage ou le moule utilisé.
- Les données matière : lot fournisseur et résultats du contrôle de réception.
- Le résultat qualité : résultats de test, codes défauts, retouches et retours clients, rattachés au même identifiant.
- Les événements : changements d'outillage, maintenance, changements de recette.
Le plus difficile est la jointure. Les données procédé se trouvent en général dans les automates (PLC), le SCADA et l'historian, et la généalogie des pièces dans le MES, que l'ISA-95 place au niveau 3, entre les systèmes de contrôle-commande et les systèmes de gestion (ISA). Si la ligne n'enregistre que des totaux de rebuts par équipe, aucun modèle à la pièce ne peut être entraîné tant que la traçabilité n'est pas en place. Nos articles sur la place de l'IA dans le modèle de Purdue et sur l'intégration de l'IA aux systèmes SCADA et OT traitent de l'accès à ces couches.
Conservez les horodatages : dans l'étude Bosch, le temps passé par une pièce sur la ligne était une variable importante, corrélée positivement aux défauts (Mangal et Kumar, 2016).
Pourquoi l'exactitude trompe-t-elle quand les défauts sont rares ?
Si 0,6 % des pièces sont défectueuses, un modèle qui déclare toutes les pièces bonnes est exact à 99,4 % et ne détecte rien. Chicco et Jurman montrent que l'exactitude et le score F1 peuvent être trop optimistes sur des données déséquilibrées. Dans un exemple, un classifieur obtenait une exactitude de 0,90 et un F1 de 0,95 alors que son coefficient de corrélation de Matthews (MCC) valait −0,03 (Chicco et Jurman, 2020). Ils recommandent le MCC, qui n'est élevé que si les deux classes sont bien prédites. Le classement du concours Bosch était calculé avec cet indicateur.
Pour l'usine, traduisez les résultats en trois comptages par semaine :
- Défauts détectés : la part des unités défectueuses signalées par le modèle (rappel).
- Faux rejets : unités bonnes signalées, chacune coûtant un contrôle supplémentaire.
- Défauts non détectés : unités défectueuses que le modèle a laissé passer.
Comment fixer le seuil d'alerte ?
Un classifieur fournit une probabilité ; le seuil la transforme en action. La documentation de scikit-learn indique que sa règle par défaut, qui prédit la classe positive au-dessus de 0,5, n'est certainement pas idéale dans la plupart des cas d'usage. Elle recommande d'ajuster le seuil sur un indicateur adapté au cas d'usage, et jamais sur les données qui ont servi à entraîner le classifieur (scikit-learn).
Dans l'étude Bosch, le MCC atteignait son maximum pour un seuil de 0,11, où seules 3 235 des plus d'un million de pièces d'entraînement étaient signalées. Contrôler à la place les deux déciles les plus à risque aurait obligé à vérifier plus de 200 000 pièces (Mangal et Kumar, 2016).
Fixez le seuil à partir de coûts chiffrables : un contrôle supplémentaire, la mise au rebut d'une pièce après ajout de valeur, et un défaut qui arrive chez le client. Quand les défauts non détectés coûtent très cher, acceptez un seuil bas et davantage de contrôles. Quand la capacité de contrôle est fixe, ne signalez que ce que le poste de contrôle peut absorber.
Comment valider un modèle de qualité prédictive ?
Découper dans le temps. Sur des données ordonnées dans le temps, la validation croisée ordinaire conduirait à entraîner le modèle sur des données futures et à l'évaluer sur des données passées ; c'est pourquoi scikit-learn propose un découpage temporel (scikit-learn). Un découpage aléatoire place aussi des pièces de la même équipe, du même outillage et du même lot matière dans les données d'entraînement et de test, ce qui rend le test plus facile que la production. Les deux études ci-dessus ont utilisé des découpages aléatoires ou en k blocs, qui conviennent pour comparer des méthodes, pas pour décider si l'on peut faire confiance à un modèle sur votre ligne.
Chercher les fuites de données. scikit-learn définit la fuite de données comme l'utilisation, pour construire le modèle, d'informations qui ne seraient pas disponibles au moment de la prédiction, ce qui donne des estimations trop optimistes (scikit-learn). Exemples typiques en usine : un indicateur de retouche, un résultat de test en aval ou l'horodatage du contrôle de fin de ligne laissés parmi les entrées.
Que faire d'une prédiction ?
Les actions sont classées du risque le plus faible au plus élevé :
- Contrôler de plus près. Envoyer les unités signalées vers un test plus complet ou un contrôle manuel.
- Arrêter d'ajouter de la valeur. Écarter une unité signalée avant une opération coûteuse comme l'usinage, le revêtement ou l'assemblage final.
- Bloquer le lot. Si de nombreuses unités d'un même outillage ou lot matière sont signalées, le bloquer pour examen.
- Trouver la cause. L'importance des variables désigne les stations et les paramètres à l'origine du risque. Dans l'étude Bosch, les variables de date et celles de la ligne de production 3 figuraient parmi les plus importantes.
- Ajuster le procédé. La cellule d'injection citée plus haut utilisait un régulateur à base d'IA qui ajustait les réglages machine et maintenait la moyenne d'une cote à 120 mm à ±0,025 mm près (Aminabadi et al., 2022). La boucle fermée vient en dernier, après que le modèle a fait ses preuves en boucle ouverte.
Comment garder le modèle précis ?
Les lignes évoluent. Lu et al. décrivent la dérive conceptuelle (concept drift) comme des changements imprévisibles, au fil du temps, de la distribution sous-jacente d'un flux de données, et distinguent les dérives soudaine, graduelle, incrémentale et récurrente. Pour une dérive légère, mettre à jour le modèle existant peut suffire ; pour une dérive forte, réentraîner un nouveau modèle peut être préférable (Lu et al., 2018).
En pratique, suivez chaque semaine les défauts détectés et les faux rejets, réentraînez après un changement d'outillage, de matière, de recette ou de produit, et conservez le contrôle de fin de ligne : il fournit les étiquettes qui montrent si le modèle fonctionne toujours.
Comment démarrer, étape par étape ?
- Choisir un produit et un type de défaut dont le coût est chiffrable et avec suffisamment de défauts dans l'historique.
- Vérifier la traçabilité. Prendre dix unités défectueuses et essayer de retrouver leurs données à chaque station.
- Constituer un historique assez long pour inclure des changements d'outillage, des lots matière et des variantes de produit.
- Construire une référence simple, comme une régression logistique ou un gradient boosting sur des variables résumées par station, avant d'essayer l'apprentissage profond.
- Valider sur une période ultérieure et indiquer les défauts détectés, les faux rejets et le MCC.
- Choisir le seuil avec les responsables production et qualité, à partir des coûts chiffrés.
- Fonctionner en mode fantôme pendant plusieurs semaines, en notant chaque unité sans agir, puis traiter les alertes via les procédures qualité existantes.
- Désigner un responsable qui examine les performances chaque mois.
Ce que nous avons constaté chez KABAS AI
Notre page industrie manufacturière cite l'assurance qualité et la détection des défauts parmi les cas d'usage que nous traitons, avec DALILE pour l'analyse des tendances qualité et la détection d'anomalies sur les données de production, et Virtual Lab pour l'optimisation des paramètres en vue de la qualité et de l'efficacité. Notre équipe data science couvre la collecte et la préparation des données, les modèles prédictifs et les pipelines MLOps qui assurent le suivi des modèles en production.
Nos conseils pratiques : les premières semaines d'un projet de qualité prédictive vont à la traçabilité, pas à la modélisation. Si une pièce défectueuse ne peut pas être reliée aux données de ses stations, corrigez cela d'abord ; c'est rentable même sans modèle. Mettez-vous d'accord sur le coût d'un faux rejet et d'un défaut non détecté avant tout entraînement. Gardez les données et les modèles sur vos propres serveurs, car les paramètres procédé et l'historique des défauts décrivent la façon dont votre produit est fabriqué. Avant de commencer, faites une évaluation de maturité IA, lisez pourquoi les projets d'IA industrielle échouent, et consultez constituer une première équipe data industrielle pour savoir qui sera responsable du modèle.
Sources
- Tercan et Meisen, Machine learning and deep learning based predictive quality in manufacturing: a systematic review, Journal of Intelligent Manufacturing 33, 2022
- Mangal et Kumar, Using Big Data to Enhance the Bosch Production Line Performance: A Kaggle Challenge, IEEE Big Data 2016 (arXiv 1701.00705)
- Aminabadi et al., Industry 4.0 In-Line AI Quality Control of Plastic Injection Molded Parts, Polymers 14(17), 2022
- UCI Machine Learning Repository, jeu de données SECOM
- NIST/SEMATECH e-Handbook of Statistical Methods, Process or Product Monitoring and Control
- ISA, norme ISA-95
- Chicco et Jurman, The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation, BMC Genomics 21, 2020
- scikit-learn, Tuning the decision threshold for class prediction
- scikit-learn, TimeSeriesSplit
- scikit-learn, Common pitfalls and recommended practices
- Lu et al., Learning under Concept Drift: A Review, IEEE Transactions on Knowledge and Data Engineering (arXiv 2004.05785)
Questions fréquentes
La qualité prédictive est-elle la même chose que la maîtrise statistique des procédés (MSP) ?
Non. La MSP surveille une ou quelques variables procédé et signale quand le procédé change. La qualité prédictive utilise de nombreuses variables procédé et produit rattachées à chaque pièce ou à chaque lot, et estime si cette unité passera son contrôle final. Les deux se complètent : la MSP maintient le procédé stable, la qualité prédictive signale les unités à risque.
La qualité prédictive peut-elle remplacer le contrôle de fin de ligne ?
Pas au début, et en général pas entièrement. Le modèle désigne les pièces qui méritent une attention supplémentaire, tandis que le contrôle décide toujours de la conformité. Les résultats du contrôle sont aussi les étiquettes dont le modèle a besoin pour sa validation et son réentraînement ; réduire trop fortement le contrôle supprime donc les données qui le maintiennent précis.
Combien de défauts faut-il dans l'historique pour construire un modèle ?
Il n'y a pas de chiffre universel, et la limite est généralement le nombre d'unités défectueuses, pas le nombre total de pièces. Une ligne peut produire des millions de pièces mais seulement quelques centaines de défauts d'un type donné. L'historique doit aussi couvrir les outillages, lots matière et variantes de produit que le modèle rencontrera en service.
Quelle différence entre la qualité prédictive et le contrôle visuel par caméra ?
Le contrôle visuel examine la pièce elle-même, en général avec des caméras et des modèles d'analyse d'images, et trouve des défauts déjà visibles. La qualité prédictive examine la façon dont la pièce a été fabriquée, par exemple pressions, températures, couples et temps de cycle, et estime le résultat avant qu'il ne puisse être mesuré. Certaines usines combinent les deux : les données procédé pour repérer tôt les pièces à risque, les caméras pour confirmer.
Les modèles de qualité prédictive peuvent-ils fonctionner on-premise ?
Oui. Les modèles habituels, comme la régression logistique et le gradient boosting sur des variables extraites des données procédé, sont légers et tournent sur des serveurs ordinaires dans le réseau de l'usine. Les garder on-premise permet aussi de conserver dans l'entreprise les paramètres procédé et l'historique des défauts, qui décrivent la façon dont votre produit est fabriqué.



