Une meilleure qualité gr?ce à l'intelligence artificielle
Les chercheurs de l'ETH utilisent l'intelligence artificielle pour améliorer la gestion de la qualité dans les processus de production numérisés. Une expérience menée chez le producteur de semi-conducteurs Hitachi Energy a permis de réduire de moitié la proportion de produits défectueux.
Que ce soit pour des machines complexes, des produits pharmaceutiques ou des puces électroniques : Plus un produit est cher, plus sa qualité est décisive pour pouvoir s'imposer sur le marché. C'est particulièrement vrai pour la production industrielle dans les pays à hauts salaires comme la Suisse. Il est donc d'autant plus surprenant que le manque de qualité continue de représenter en moyenne 15 pour cent des co?ts d'exploitation dans la production industrielle. La raison : une gestion de la qualité souvent obsolète.
Les deux chercheurs de l'ETH Julian Senoner et Torbj?rn Netland, ainsi que Stefan Feuerriegel, qui travaille depuis peu à la LMU de Munich, montrent dans une nouvelle étude comment la gestion de la qualité peut être améliorée par l'intelligence artificielle (IA) dans les processus de production complexes et numérisés. Leur algorithme a déjà été testé avec succès dans une usine de parafoudres d'Hitachi Energy, anciennement Hitachi ABB Power Grids, à Lenzbourg : le nombre de produits défectueux a pu être réduit de plus de 50 pour cent lors d'une expérience, ce qui rend la production non seulement plus efficace, mais aussi plus durable.
Gestion de la qualité obsolète
La fabrication de produits industriels complexes nécessite un grand nombre d'étapes de travail interconnectées. Par exemple, pour produire des semi-conducteurs utilisés dans des ordinateurs, des trains ou des éoliennes, entre 200 et 400 étapes de production sont nécessaires. ? chacune de ces étapes, différentes choses peuvent mal se passer. Si, par exemple, la température est un peu trop élevée dans une machine ou la pression un peu trop basse dans une autre, des erreurs peuvent affecter une grande partie des produits. "Dans la production de semi-conducteurs, il n'est pas rare que le taux d'erreur varie entre 5 et 70 pour cent, car le processus de fabrication est très compliqué. Il y a beaucoup d'argent en jeu", explique le professeur Torbj?rn Netland de l'ETH, de la chaire de gestion de la production.
Jusqu'à présent, il était très difficile d'identifier avec précision les sources d'erreur dans les processus de production plus complexes de ce type. Les méthodes traditionnelles utilisées dans de nombreuses usines du monde entier pour assurer la qualité ne permettaient aux ingénieurs que d'examiner quelques paramètres à la fois. Or, dans les processus de production complexes, des milliers de paramètres interdépendants sont désormais mesurés. Les méthodes traditionnelles ne permettaient toutefois pas d'analyser comment ceux-ci interagissaient et avaient un impact sur l'ensemble de la production. Le professeur Netland de l'ETH et ses coauteurs ont l'intention de changer cela : "Nous voulons faire entrer la gestion de la qualité dans l'ère numérique. Car les méthodes que de nombreux producteurs continuent d'utiliser ont souvent jusqu'à 100 ans", explique Netland.
Un algorithme identifie les sources d'erreur
Les chercheurs de l'ETH ont d'abord développé un algorithme qui imite les différentes étapes de la production de semi-conducteurs. Ils ont ensuite alimenté l'algorithme avec le plus grand nombre possible de données de production historiques, comme la température ou la pression, mesurées dans les machines. "Sur la base de ces données, l'algorithme apprend dans quelles conditions la qualité des semi-conducteurs est bonne et quand il y a des taux d'erreur élevés", explique Julian Senoner, premier auteur et collaborateur scientifique à la chaire de Netland.
L'avantage de la méthode basée sur l'IA est qu'il est possible d'analyser autant de facteurs et de relations du processus de production que l'on veut et de découvrir des liens plus complexes entre les paramètres. Les sources d'erreur peuvent ainsi être identifiées de manière plus systématique et sur l'ensemble du processus de production. Les ingénieurs bien formés dans les usines ne deviennent toutefois en aucun cas superflus. Au contraire : "Notre algorithme met surtout en évidence des sources d'erreur qui n'avaient pas été détectées jusqu'à présent. Mais la manière exacte d'y remédier continue de nécessiter beaucoup de connaissances techniques et de créativité humaine", explique Netland.
50 pour cent de pertes en moins
Pour tester l'algorithme, les auteurs ont collaboré avec Hitachi Energy à Lenzbourg. Hitachi Energy produit des semi-conducteurs qui sont utilisés aussi bien dans les véhicules électriques et les trains que dans les éoliennes ou les lignes électriques. Les données de production historiques du producteur de semi-conducteurs ont permis aux chercheurs d'identifier deux étapes de fabrication qui affectaient le plus la qualité des semi-conducteurs. Avec ces connaissances en poche, ils se sont rendus à l'usine pour mener une expérience dans des conditions de production réelles.
En collaboration avec les ingénieurs de Hitachi Energy, les auteurs ont divisé un lot de production de 1488 semi-conducteurs en quatre groupes de taille égale. Alors que les 372 premiers semi-conducteurs ont été produits sans adaptation spécifique, une étape de fabrication a été optimisée pour chacun des groupes deux et trois. Pour les 372 derniers semi-conducteurs, les deux étapes de fabrication ont ensuite été optimisées. "Les résultats de l'expérience ont confirmé la prédiction de l'algorithme : Dans le groupe de contr?le, qui a été fabriqué sans optimisation, le taux d'erreur était quatre fois plus élevé que dans le groupe qui a été produit selon les recommandations de l'algorithme", explique le professeur Netland de l'ETH.
Hitachi Energy a ensuite appliqué les recommandations des chercheurs de l'ETH à une autre variante de produit et a réduit de plus de moitié le pourcentage de produits défectueux. Pour le fabricant de semi-conducteurs de Lenzbourg, l'algorithme des chercheurs de l'ETH constitue donc un avantage important qui améliore de manière décisive et durable la gestion de la qualité.
?galement pertinent pour d'autres secteurs
Mais ces résultats peuvent-ils être obtenus dans d'autres secteurs industriels ? "Pour que notre méthode donne de bons résultats, il faut beaucoup de données pour la fabrication et cela nécessite des processus de production hautement numérisés", explique le chercheur de l'ETH Senoner. Actuellement, selon eux, ces conditions sont surtout réunies dans l'industrie pharmaceutique, la branche chimique ou la fabrication de matières plastiques.
Mais avec la digitalisation croissante des processus de production, l'algorithme des chercheurs de l'ETH devrait à moyen terme intéresser d'autres secteurs. Afin d'exploiter le potentiel économique de l'intelligence artificielle dans la gestion de la qualité et de rendre la technologie accessible au plus grand nombre, le premier auteur Julian Senoner a donc fondé, avec le Pioneer Fellow de l'ETH Bernhard Kratzwald, le spin-off de l'ETH. page externeEthonAI.
Référence bibliographique
Senoner J, Netland T, Feuerriegel S (2021). Utiliser l'intelligence artificielle explicable pour améliorer la qualité des processus : preuves tirées de la fabrication de semi-conducteurs. Management Science, publié en ligne le : 9 décembre 2021. DOI : page externe10.1287/mnsc.2021.4190