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.