Predictive Modeling for Quality Control in Multi-Stage Manufacturing Systems Using Artificial Intelligence

La prédiction des caractéristiques de qualité dans les systèmes de fabrication à plusieurs étapes contribue au maintien de spécifications de produits et à l’ajustement des procédés de fabrication pour diminuer le rebut et retravail des produits. Dans la fabrication aérospatiale, une prédiction précise de la qualité du produit à différentes étapes de la production permet des interventions opportunes, réduisant les défauts et garantissant que les produits finaux répondent à des exigences de qualité. Des modèles de prédiction permettent aux fabricants de contrôler la qualité des pièces tout au long de la production, en prenant des actions pour minimiser les pièces rejetées ou retravaillées et pour optimiser l'utilisation des ressources. L'utilisation des techniques d'intelligence artificiel (IA) dans la prédiction de la qualité des pièces produites aide à améliorer la qualité des produits et la fiabilité des procédés par des actions qui améliorent la performance globale. Les modèles d'apprentissage automatique ont été largement étudiés et appliqués dans le contexte de la prédiction de la qualité dans les systèmes de fabrication à plusieurs étapes. Divers algorithmes ont démontré leur efficacité selon la revue de littérature. Ces résultats soulignent le potentiel de l'utilisation des techniques d'apprentissage automatique pour améliorer la précision des prédictions et l'efficacité opérationnelle dans les systèmes de fabrication à plusieurs étapes. Dans cette étude, nous avons utilisé les algorithmes d'apprentissage automatique les plus efficaces selon la revue de littérature, notamment la régression par moindres carrés partiels (PLS), la régression par composantes principales (PCR), les machines à vecteurs de support (SVM) avec des fonctions de base linéaires et radiales, la forêt aléatoire et les k-plus proches voisins (KNN). Bien que l'apprentissage profond ait montré un grand potentiel dans la prédiction de la qualité, il nécessite une quantité substantielle de données pour s'entraîner efficacement. Compte tenu de nos contraintes de données, nous avons décidé de ne pas inclure d'architectures d'apprentissage profond dans cette étude. Nous appliquons ces techniques à un système de fabrication à plusieurs étapes produisant des pièces de moteur d'avion. Le processus implique des inspections à différentes étapes intermédiaires utilisant des machines de mesure par coordonnées (CMM). Contrairement à de nombreuses études dans la littérature, nos prédictions sont basées uniquement sur des données d'inspection en cours de processus de fabrication, sans recourir à des paramètres de procédés ou des lectures de capteurs. Notre approche est basée sur la connaissance des données historiques sur les mesures des caractéristiques de qualité (QC) à chaque étape de fabrication. De plus, notre approche permet non seulement de prédire les caractéris-tiques de qualité (QC) pour l'étape consécutive suivante, mais aussi pour des étapes plus avancées dans le processus de fabrication, y compris l'inspection finale, en utilisant des données des étapes antérieures. Cette capacité permet un contrôle qualité proactif et rapide, ainsi qu’une optimisation de l'ensemble du flux de production. Les résultats montrent qu'une portion significative des caractéristiques de qualité peut être prédite avec une grande précision en utilisant les techniques susmentionnées. Nos modèles ont démontré la faisabilité de prédire non seulement l'étape consécutive suivante, mais aussi les étapes futures dans le système de fabrication. Enfin, nous discuterons de certaines limitations de l'étude et des recommandations pour les travaux futurs.

Abstract

The prediction of quality characteristics in multi-stage manufacturing systems contributes to maintaining product specifications and adjusting manufacturing processes to reduce scrap and rework. In aerospace manufacturing, predicting product quality at various stages of production allows for early interventions, reducing defects and ensuring that final products meet quality requirements. Predictive models enable manufacturers to control the quality of parts throughout production, taking actions to minimize rejected or reworked parts and optimize resource use. The use of artificial intelligence (AI) techniques in predicting the quality of produced parts helps improve product quality and process reliability through actions that enhance overall performance. Machine learning models have been studied and applied in the context of quality prediction in multi-stage manufacturing systems. Various algorithms have demonstrated to perform well according to the literature review. These results highlight the potential of using machine learning techniques to improve the accuracy of predictions and operational efficiency in multi-stage manufacturing systems. In this study, we used the most used machine learning algorithms according to the literature review, including partial least squares regression (PLS), principal component regression (PCR), support vector machines (SVM) with linear and radial basis functions, random forest, and k-nearest neighbors (KNN). Although deep learning has shown potential in quality prediction, it requires a substantial amount of data to train. Given our data constraints, we decided not to include deep learning architectures in this study. We apply these techniques to a multi-stage manufacturing system producing aircraft engine parts. The process involves inspections at various intermediate stages using coordinate measuring machines (CMM). Unlike many studies in literature, our predictions are based solely on in-process inspection data, without relying on process parameters or sensor readings. Our approach is based on knowledge of historical data on quality characteristic (QC) measurements at each manufacturing stage. Additionally, our approach not only predicts the quality characteristics (QC) for the next consecutive stage but also for more advanced stages in the manufacturing process, including the final inspection, using data from earlier stages. This capability allows for proactive and rapid quality control, as well as optimization of the entire production flow. The results show that quality characteristics can be predicted using the chosen techniques. Our models have demonstrated the feasibility of predicting not only the next consecutive stage but also future stages in the manufacturing system. Finally, we will discuss some limitations of the study and recommendations for future work.