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.