L'IA améliore le contrôle qualité automobile : détecter les défauts plus vite et plus précisément

Les machines peuvent apprendre à repérer les anomalies en cours de processus et en fin de ligne

Lorsqu'un nouveau véhicule sort de la chaîne d'assemblage, certains constructeurs automobiles utilisent des ensembles d'yeux virtuels pour faire l'inspection finale afin d'assurer la qualité et de s'assurer que le produit est exempt de rayures, bosses et fuites.

Derrière ces « yeux » se trouvent l'intelligence artificielle (IA) et son sous-ensemble, l'apprentissage automatique (ML). Ces technologies sont aussi déployées dans la technologie d'imagerie informatique automatisée d'UVeye, Tel Aviv-Yafo, Israël. En plus de l'IA, les algorithmes propriétaires de l'entreprise, l'architecture cloud et la fusion de capteurs effectuent des vérifications complètes du véhicule en quelques secondes et signalent les défauts.

« L'apprentissage automatique et l'IA sont déjà entraînés », a déclaré David Oren, directeur de la stratégie chez l'entreprise, notant que l'algorithme ML a été développé avec 1 trillion d'images. « Cependant, l'opérateur doit corriger manuellement les erreurs. »

Dans la fabrication, la plateforme unifiée d'inspection en tant que service pilotée par l'apprentissage profond d'UVeye a le potentiel d'effectuer de l'inspection en ligne également, mais la startup se concentre maintenant sur son contrôle qualité de fin de ligne, a dit Oren.

À mesure que l'utilisation de l'IA grandit dans la fabrication, elle contribue à des pièces de meilleure qualité avec des systèmes d'inspection visuelle comme ceux d'UVeye qui alertent un opérateur sur les problèmes. Certaines solutions peuvent envoyer un signal à une machine pour s'arrêter quand un problème est détecté.

Yet à surmonter, cependant, sont les produits logiciels fragmentés qui collectent et analysent les données de seulement une partie d'une ligne ; formats de données hétérogènes ; et technologies de fournisseurs disparates qui sont difficiles à intégrer, a déclaré Dean Phillips, stratège innovation et ingénieur commercial, Link Electric & Safety Control Co., Nashville, Tenn.

« Probablement la partie la plus difficile est l'intégration » de tels produits variés ensemble, a dit Phillips. « Actuellement, le plus grand défi que je vois est qu'ils sont tous des systèmes autonomes. Ils n'englobent pas encore pleinement le champ d'application. Ce n'est pas pour dire que ce n'est pas en train de venir, mais pour l'instant c'est l'un des plus grands défis. »

Aucun substitut pour la connaissance du domaine

Predictronics Corp., Cincinnati, offre un exemple de la façon dont sa solution de qualité prédictive a aidé un fabricant de fours. Alors que des rouleaux d'acier en feuille avançaient à travers une machine de formage, le fabricant de fours avait rumine sur un problème de qualité avec le processus. Le travail de la machine est de presser les nervures qui soutiennent une grille quand elle glisse dans une cavité de four. Le problème était que les nervures avaient commencé à se fissurer pendant le processus de formage. Dans ses efforts pour découvrir ce qui n'allait pas, et éventuellement corriger le problème, le fabricant a appelé Predictronics.

Les data scientists de Predictronics ont analysé les informations pertinentes de la machine et utilisé une carte de chaleur pour établir une relation entre la fissuration des nervures et la température du processus. Ils ont pu montrer que la fissuration était plus susceptible de se produire à une chaleur système plus basse, en dehors de la plage où l'acier formé resterait intact.

Dans un déploiement de la solution Predictronics, le fabricant de fours a pu détecter les problèmes avec 88 % de précision (le pourcentage de fissures prédites qui étaient réellement des fissures) et 66 % de rappel (le pourcentage de fissures réelles qui étaient prédites).

« Quand nous travaillons avec un client sur la qualité prédictive, nous analyserons leurs données de processus et développerons un modèle de santé pour mesurer ces paramètres au fil du temps et puis reconnaître quand une tendance potentiellement problématique se produit et être capable de donner une sorte d'avertissement préalable », a déclaré Patrick Brown, directeur financier de Predictronics. « Nous pouvons vous aider à éviter de faire autant de tests ou d'inspection visuelle de vos produits et déduire que ces produits sont de qualité basés sur les paramètres du processus. »

Le processus aide aussi à réduire la ferraille, le temps de production gaspillé sur un produit déjà défectueux et les réclamations de garantie dues à une mauvaise qualité.

Généralement, si on regarde les paramètres de processus, que ce soit la position, le débit, la pression, la température, ou autre chose, on cherche des écarts par rapport au comportement normal. Le comportement anormal pourrait être des augmentations de magnitude pour un paramètre par rapport à sa valeur typique. Ou cela pourrait être la relation entre deux paramètres.

« Disons que la température augmente avec la pression typiquement mais tout d'un coup la température monte mais la pression descend », a dit David Siegel, directeur technique de Predictronics. « Donc cela pourrait être des tendances au-delà de sa valeur typique mais aussi des changements de corrélations comme l'exemple pression et température. En trouvant les relations et en surveillant le processus au fil du temps, ces anomalies peuvent être liées à des problèmes dans le processus qui résultent en mauvaise qualité. »

Quand appliquer l'IA ?

L'approche de Predictronics est de faire une analyse de criticité. Pour la qualité prédictive, ils chercheraient quelles machines ont le plus de ferraille ou problèmes liés à la qualité. Ils travaillent main dans la main avec le client pour comprendre d'une perspective ingénierie et fabrication quels processus sont les plus problématiques. Cela peut même être un mélange de s'appuyer sur l'expérience du client et utiliser les données.

« Certains clients peuvent ne mesurer la qualité qu'à la fin de la ligne », a dit Siegel. « Dans ce cas, vous devez vous fier à leur expérience en termes de quel processus peut être le plus important en termes de qualité. »

Pour une nouvelle ligne ou une sans problèmes, il y a au moins quelques approches.

Si c'est une nouvelle ligne, les data scientists chercheraient une ligne similaire ou une avec des processus similaires pour comparaison et puis exploiteraient l'expérience de ces opérateurs sur quels problèmes ont pu être les plus problématiques.

« Ou cela pourrait être juste basé sur la maturité de votre système IoT », a dit Siegel. « Lequel a le plus de données ? Cela peut être un autre bon point de départ parce que vous aurez assez de transparence pour surveiller ce processus plus précisément que d'autres parties d'une nouvelle ligne où vous n'avez peut-être pas beaucoup de données du processus à surveiller. »

Ou, la décision pourrait être basée sur la connaissance du domaine. Par exemple, certains processus ont beaucoup de variabilité. Même avec des machines produisant des données et des scientifiques les analysant pour de meilleurs résultats, la connaissance du domaine compte encore beaucoup.

« Nous avons un client qui savait exactement à quoi le paramètre devait ressembler », a dit Brown. « Ils savaient exactement quels seuils fixer et où les fixer et quels paramètres regarder — ils étaient si intimes avec le processus. Donc avoir quelqu'un comme ça du côté client dans l'équipe est vraiment précieux. »

Predictronics essaie de construire la connaissance du domaine dans ses modèles alors qu'une génération plus âgée et plus expérimentée vieillit hors de la fabrication et qu'une nouvelle génération rattrape.

Dans le cas d'une nouvelle ligne, une approche est d'appliquer l'IA là où il pourrait y avoir le plus d'opportunités. Y a-t-il une chance qu'une partie du processus puisse être instrumentée ?

« Il y a eu des cas dans le passé où la machine ou le processus ne permet pas de s'instrumenter en termes de comment le processus de fabrication est conçu », a dit Edzel Lapira, PDG de Predictronics.

Pour des données de systèmes disparates, Lapira a dit qu'il y a différentes façons de l'intégrer. « Le plus facile est l'intégration de base de données », a-t-il dit. « Il y a différents protocoles qui permettraient de forcer les données d'une source de données vers un data lake. Pour les machines-outils, il y a des protocoles comme OPC-UA et MTConnect qui sont déjà disponibles donc vous pouvez obtenir des données d'une machine vers soit des applications comme les nôtres ou différents tableaux de bord. »

Prédire les problèmes de machine aide la qualité

BC Machining LLC, Brasstown, Ohio, un fabricant métal qui utilise des machines CNC et technologies comme la collecte de données, l'apprentissage automatique et l'informatique de pointe, produisait beaucoup trop de ferraille. Pour atteindre les objectifs de production, ils faisaient tourner leurs machines à 200 % de capacité, et avaient beaucoup de fraises en bout cassées à ajouter à la pile de ferraille.

« Nous perdions souvent un tiers de la valeur de pièces de notre quart, sans parler de passer au moins une heure à trier les pièces pour identifier la ferraille », a dit Mike Driskell, ingénieur de fabrication de BC Machining, dans une étude de cas.

Pour obtenir de l'aide, l'entreprise s'est tournée vers la solution de surveillance d'outil adaptative de MachineMetrics, Northampton, Mass.

« C'est adaptatif en ce sens qu'un changement se produit sur la machine pour prévenir la ferraille sans interaction de l'opérateur », a dit Bill Bither, cofondateur et CEO de MachineMetrics. « Cela a sauvé à nos clients des centaines de milliers de dollars et leur a permis de fonctionner en lights-out. »

Le logiciel piloté par l'IA de MachineMetrics a été entraîné pour prédire, diagnostiquer et prévenir les pannes d'outils machine en implémentant automatiquement un feedhold sur les machines STAR de BC Machining. Il arrêtait les CNC quand la panne de pièce était imminente. Ainsi, la fraise en bout pouvait être changée proactivement, avant de produire une pièce de mauvaise qualité qui devait être jetée.

« Depuis l'utilisation de la technologie de prédiction de casse d'outil de MachineMetrics, ce gaspillage a été éliminé », a dit Driskell. « Les économies sur nos tours suisses ont été monumentales pour le moins dire. »

MachineMetrics explore avec certains clients l'utilisation d'un bras robotique pour changer l'outil endommagé ou usé au lieu d'un changeur d'outil interne. Une technologie abordable pour le changement automatique commence à exister. Maintenant, cependant, il faut que ce soit des types spécifiques de machines, a dit Bither.

« Nos clients sont vraiment intéressés par cela mais nous sommes un peu sur le fil pour savoir si ça en vaut la peine ou pas », a-t-il dit. « Pour l'instant, ça pourrait en valoir la peine si vous avez un contrat de deux ans parce que le prix est si élevé. Nous voyons cela comme quelque chose qui sera commun dans le futur. »

La solution de surveillance d'outil de MachineMetrics a pu identifier les signaux sur les STAR SR-20 CNC de BC Machining avant que des pannes catastrophiques d'outils ne se produisent. Elle a aussi détecté un motif prévisible. Le logiciel a pu indiquer avec une précision quasi parfaite quand un outil machine allait probablement échouer.

Avant tout, BC Machining produit des pièces de qualité. « Je crois que le cas d'utilisation principal pour prédire les problèmes sur machines est la qualité », a dit Bither. « Il y a aussi la maintenance prédictive mais je vois la détection des problèmes de qualité comme souvent la proposition de valeur la plus élevée. »

Une partie des économies réalisées par BC Machining vient de l'utilisation des fraises en bout jusqu'à leur durée de vie complète et pas de les changer aussi souvent, ce qui a l'avantage additionnel d'augmenter le temps de fonctionnement de la machine. « La plupart des fabricants changent les outils basés sur le nombre de pièces produites », a dit Bither. « C'est ce qu'on voit chez beaucoup de nos clients, qu'ils jettent des outils qui ont encore beaucoup de vie, peut-être 50 % ou plus. »

Il a expliqué que le logiciel de surveillance d'outil de MachineMetrics fonctionne avec des données capturées à des fréquences très élevées de 1 000 à 10 000 fois par seconde. Typiquement, les systèmes de surveillance machine tirent des données à 1 Hz, ou une fois par seconde, a-t-il dit.

« Mille fois par seconde est notable car cela nécessite plus de capacités, de traitement et d'analytique », a dit Bither.

La solution de sa compagnie collecte les données des divers moteurs sur une machine, puis normalise l'information vers un composant central qu'ils appellent « couple de coupe ».

« Et le couple de coupe nous permet de voir l'usure d'un outil de coupe CNC », a dit Bither. « Et ce que ça fait, cet élément de données qu'on a rendu accessible pour les machines CNC, ça nous permet de déterminer s'il y a une anomalie dans le processus d'usinage et détecter des fissures dans l'outil, l'usure de l'outil et tout problème qui pourrait être vu dans l'opération de coupe. »

« Nous pouvons soit prédire une panne dans certains cas, où on commence à voir la charge sur cet outil ou des anomalies dans ces données pour indiquer qu'il y a un problème, soit nous pouvons déterminer immédiatement quand une pièce est produite s'il y a un problème où cela pourrait être une pièce de rebut. »

Aide pour plus que les CNC

« Nous avons commencé avec la fabrication de métal de précision donc nous sommes allés très loin dans la construction d'algorithmes autour de ça qui peuvent être appliqués aux mille machines auxquelles nous sommes connectés. Mais nous l'avons aussi rendu facile à connecter à l'équipement de fabrication métal, machines à souder, moulage par injection plastique, vraiment tout type d'équipement de fabrication discrète », a dit Bither.

Aussi, la compagnie rend les données qu'elle collecte disponibles donc si un client a une équipe de data scientists ou d'ingénieurs de fabrication et ils veulent utiliser ces données pour vraiment regarder la ligne dans son ensemble, ils peuvent.

« C'est là que vous pouvez construire des capacités additionnelles sur ce qu'on offre out of the box », a dit Bither. « Nous fournissons une plateforme pour qu'ils déployent ces algorithmes juste au bord où essentiellement ce qu'ils font est de prendre les données qu'on a capturées pour eux et ils enrichissent ces données, les traitent d'une certaine façon et puis les résultats de ça sont envoyés à notre plateforme où vous pouvez construire des workflows pour notifier la maintenance ou la qualité ou même instruire la machine à s'arrêter. »

Check-list de questions pour trier les fournisseurs

Les fabricants qui cherchent un fournisseur de solution IA devraient faire leur due diligence pour trouver le bon ajustement. Cela aide de savoir les bonnes questions à poser, ont dit les experts de Predictronics :

Où vos services ont-ils été utilisés avant ? Ont-ils été utilisés pour des applications de qualité prédictive dans la fabrication ?

Votre solution a-t-elle démontré une amélioration claire des opérations commerciales en termes de réduction de ferraille et amélioration de la qualité ?

Votre équipe a-t-elle une connaissance du domaine industriel ?

Votre solution fonctionne-t-elle avec les données capteur/processus et les données qualité, et intègre-t-elle les deux sources de données ?

Votre solution utilise-t-elle l'apprentissage automatique ? Cela inclut-il à la fois les modèles d'apprentissage non supervisé et supervisé ?

Combien de données faut-il pour entraîner le modèle ?

A-t-elle besoin juste de données d'un processus sain ou de données de quand le processus n'était pas sain et produisait de la ferraille ?

Votre solution nécessite-t-elle des données qualité de toutes les pièces, ou peut-elle fonctionner si la qualité n'est mesurée que pour un sous-ensemble des pièces ?