Auto-apprentissage + explicable L’intelligence artificielle prédit la qualité de la production

Situation initiale
De nombreuses étapes de production sont automatisées dans l’usine d’un équipementier automobile international ; Cela s’applique également à l’usinage des buses d’injection à l’aide de broches. Il y a près de 20 de ces machines de découpe pour cette étape de production. Bien que ces machines fassent toutes la même chose, utilisent les mêmes outils, aient les mêmes réglages, utilisent le même matériau du même fournisseur, etc., il arrive que - parfois - l’une et - parfois - l’autre machine produise une qualité inférieure.

Description du projet
Tout d’abord, des capteurs ont été fixés à l’équipement d’usinage pour mesurer les vibrations, la température ..... Les données de la machine ont été enregistrées sur une période de temps, y compris l’évaluation de la qualité du composant. 11 indicateurs de qualité ont été évalués, tels que la rugosité, la précision, la profondeur du profil, ...
L’analyse de l’intelligence artificielle a été appliquée aux données afin d’identifier des modèles fiables qui conduisent à une mauvaise qualité.
Les algorithmes de prédiction ont prédit les valeurs des indicateurs de qualité correspondants à peu près à mi-chemin de l’usinage respectif de la broche de plomb et de support.

Solution
Des solutions d’intelligence artificielle auto-apprenantes ont été entraînées sur une partie des données. Des modèles de données cachés et multicouches ont été découverts afin de pouvoir faire automatiquement des prédictions stables quant à la valeur que l’indicateur de qualité respectif atteindra.
Les algorithmes entraînés ont été appliqués à des données inconnues, c’est-à-dire des données qui n’ont pas été utilisées pour l’entraînement. Cela permet de vérifier si les modèles de données ont vraiment pu être correctement identifiés.
En cas de modification du processus, l’algorithme d’auto-apprentissage ajuste automatiquement le modèle de prévision afin qu’aucun data scientist n’ait à intervenir.

Pour une optimisation durable de la qualité, il est important que l’IA apprenne et s’adapte aux changements en cas de changements de processus, de produits, d’influences, ... de manière indépendante, c’est-à-dire sans l’aide d’un data scientist. C’est là qu’interviennent les algorithmes d’auto-apprentissage avec apprentissage dynamique et adaptatif.