Méthode d'analyse causale des défauts sur une ligne d'assemblage multiproduit

L'apparition grandissante des lignes d'assemblage multiproduit au sein des industries manufacturières au cours de ces dernières années s'explique par la démocratisation du concept de personnalisation en masse des produits. Ces lignes d'assemblage multiproduit permettent d'augmenter le nombre de références produit par une entreprise, tout en gardant des coûts de fabrication faible. Cependant, les méthodes classiques d'analyse des causes racines des défauts tels que l'analyse des modes de défaillance et de leurs effets (FMEA) ou la méthode des six sigmas peinent à fournir des résultats satisfaisants sur de telles lignes d'assemblage. Plus récemment, l'utilisation de méthodes de valorisation des données, extraites des systèmes industriels, a connu une forte croissance. Ces données ont un fort potentiel pour faciliter l'identification de produits défectueux et l'origine de ces défauts. L'objectif principal de cette recherche est d'ailleurs de faciliter l'identification des causes racines des défauts sur les lignes d'assemblage multiproduit par la valorisation de données. Pour y arriver, nous avons proposé une méthode d'analyse des causes racines qui repose sur une succession d'algorithmes d'apprentissages automatisés (AA), un partitionnement de nos produits à l'aide d'un algorithme de partitionnement hiérarchique, une analyse statistique des taux de défauts des groupes obtenus précédemment, et finalement, une classification de ces groupes à l'aide d'un algorithme d'arbres de décision. Nous avons testé notre méthode sur une ligne d'assemblage automobile. Nous avons ainsi identifié que la succession de certains types de voitures dans la séquence de production augmente le taux de défauts. Puis, nous avons testé notre méthode dans un autre contexte industriel pour vérifier si celle-ci est généralisable. L'utilisation de notre méthode sur les données issues d'une machine d'assemblage de pneu utilisant une stratégie par lot de fabrication nous a permis d'identifier une opération particulière responsable de la majorité des défauts lors de l'assemblage des pneus. Au final, il semble donc que la combinaison de multiples techniques de valorisation de données permet d'améliorer le processus d'identification des causes racines de défauts sur une ligne d'assemblage multiproduits même si le nombre de défauts par référence est très faible.

Abstract

The growing appearance of multi-product assembly lines in the manufacturing industry in recent years is explained by the democratization of the concept of mass customization of products. These multi-product assembly lines make it possible to increase the number of references produced by a company while keeping manufacturing costs low. However, the classical methods of root cause analysis of defects, such as the failure mode and effects analysis (FMEA) or the six sigma method, struggle to provide satisfactory results on these assembly lines. More recently, the use of methods for exploiting data, extracted from industrial systems, has experienced strong growth. This data has a strong potential to facilitate the identification of defective products and the origin of these defects. As such, the main objective of this research is to facilitate the identification of root causes of defects on multi-product assembly lines through data mining. To achieve this, we have proposed a root cause analysis method based on a succession of machine learning (ML) algorithms, a partitioning of our products using a hierarchical algorithm, a statistical analysis of the defect rates of the groups obtained previously, and finally, a classification of these groups using a decision tree algorithm. We tested our method through a case study concerning a car assembly line. We have identified that the succession of certain types of cars in the production sequence increases the defect rate. Then we test our method in another industrial context to check if it is generalizable. Using our method on data from a tire assembly machine using a batch strategy allowed us to identify a particular operation responsible for the majority of defects during tire assembly. In the end, it seems that the combination of multiple data mining techniques can improve the process of identifying the root causes of defects on a multi-product assembly line, even if the number of defects per reference is very low.