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.