Amélioration du contrôle qualité par des méthodes d'apprentissage automatique : application à un processus d'assemblage dans l'industrie du pneumatique

Dans un contexte manufacturier, les produits traversent des lignes d’assemblage semi-automatisées au sein desquelles peuvent survenir différents défauts. Or parfois, l’inspection de ces défauts n’est possible qu’à la fin de la chaîne de production. Bien que ces anomalies soient rares, notamment dans des environnements fortement automatisés, elles engendrent néanmoins des coûts de production significatifs lorsqu’elles sont détectées tardivement. Dans cette optique, les entreprises cherchent à identifier ces défauts le plus tôt possible, afin d’interrompre la production ou de mettre en place des actions correctives adéquates. Avec l’avènement de l’industrie 4.0, les industriels s’orientent vers des solutions intelligentes et temps réel, capables de répondre à ces besoins de détection précoce. La littérature scientifique recense plusieurs approches, basées soit sur des méthodes statistiques classiques, soit sur l’apprentissage automatique. Toutefois, peu d’études s’intéressent à la détection de défauts représentant une très faible proportion des données (moins de 5 %), et qui à la fois cherchent à identifier en temps réel les facteurs à l’origine de ces anomalies. En collaboration avec une usine manufacturière de l’industrie du pneumatique au Québec, ce mémoire vise à améliorer la capacité de contrôle qualité en développant une méthode de détection en temps réel des défauts d’adhésion sur une ligne d’assemblage automatisée. Il cherche également à analyser les facteurs d’apparition de ces défauts afin de proposer des actions opérationnelles appropriées. La méthodologie adoptée à cette fin, repose sur le cadre CRISP-DM (Cross-Industry Standard Process for Data Mining), permettant la préparation et l’analyse des données de production pertinentes relatives aux facteurs potentiels d’apparition des défauts. Une analyse exploratoire préliminaire a mis en évidence un fort déséquilibre entre les classes de données. Pour pallier ce problème, une stratégie hybride de rééchantillonnage combinant les méthodes Tomek-Links et CTGAN a été développée afin de gérer ce déséquilibre extrême. Plusieurs techniques de classification ont ensuite été évaluées pour détecter les défauts d’adhésion, et différents algorithmes d’apprentissage automatique ont été comparés afin d’identifier le plus performant. Le modèle s’est révélé le plus adapté à la problématique étudiée, intégrant par ailleurs les principes du Contrôle Statistique des Procédés (SPC). Enfin, l’effet des variables explicatives sur la classification des défauts a été analysé à l’aide de techniques d’explicabilité locale et globale. L’application de cette méthodologie au cas concret du partenaire industriel a permis d’obtenir un modèle atteignant un F1-score de 84 %, offrant un compromis optimal entre capacité de détection et réduction des fausses alertes. Ce travail propose ainsi des pistes concrètes pour une détection proactive et une amélioration continue du contrôle qualité dans un contexte industriel automatisé.

Abstract

In modern manufacturing environments, products move through semi-automated assembly lines where material adhesion defects can occasionally occur. These defects, however, are typically inspected only at the end of the production line. Although such anomalies are rare, especially in highly automated settings, they can lead to considerable production costs when detected late. Manufacturers therefore seek to identify these defects as early as possible to halt production or take corrective action before losses occur. Driven by the rise of Industry 4.0, industrial players are increasingly adopting intelligent, real-time solutions to address this challenge. Existing research highlights a range of approaches, from classical statistical methods to advanced machine learning techniques. Yet, few studies focus on detecting very low defect rates (below 5%) while simultaneously identifying, in real time, the factors that contribute to these anomalies. This research, conducted in collaboration with a tire manufacturing plant in Québec, aims to enhance quality control by developing a real-time method for detecting adhesion defects on an automated assembly line. It also seeks to uncover the key factors influencing defect occurrence, enabling the implementation of targeted operational improvements. The study follows the CRISP-DM (Cross-Industry Standard Process for Data Mining) framework, involving systematic data preparation to extract relevant production features and potential defect indicators. An exploratory data analysis first revealed a strong class imbalance, which was addressed through a hybrid resampling strategy combining Tomek-Links and CTGAN methods. Multiple machine learning algorithms were evaluated to identify the most effective classification model for adhesion defect detection. The AdaBoost model achieved the best performance and was further integrated with Statistical Process Control (SPC) principles to strengthen quality monitoring. Finally, the contribution of explanatory variables to defect prediction was analyzed using both global and local explainability techniques. Applied to the industrial case study, the proposed approach achieved an F1-score of 84%, offering an effective balance between accurate detection and minimal false alarms. Overall, this research provides a practical and data-driven pathway toward proactive defect detection and continuous improvement in industrial quality control.