Identifier la cause

Rapports scientifiques volume 12, Numéro d'article : 22332 (2022) Citer cet article

2569 Accès

3 Altmétrique

Détails des métriques

Dans la production de carrosseries automobiles, les pièces en tôle préformées de la carrosserie sont assemblées sur des lignes de production entièrement automatisées. Le corps passe successivement par plusieurs stations et est traité selon les exigences de la commande. L'exécution des commandes dans les délais dépend de la conclusion des opérations individuelles basées sur les stations dans les délais de cycle prévus. Si une erreur se produit dans une station, cela peut avoir des répercussions, entraînant des retards sur les stations en aval. À notre connaissance, il n’existe aucune méthode permettant de distinguer automatiquement les erreurs sources et indirectes dans ce contexte, ni d’établir une relation causale entre elles. En utilisant des informations en temps réel sur les conditions collectées par un système d'acquisition de données de production, nous proposons un nouveau système d'analyse de la fabrication de véhicules, qui utilise l'apprentissage en profondeur pour établir un lien entre les erreurs sources et les erreurs indirectes. Nous comparons trois modèles séquence à séquence et introduisons une nouvelle métrique d'action composite pondérée dans le temps pour évaluer les modèles dans ce contexte. Nous évaluons notre cadre sur un ensemble de données de production automobile réelle enregistré par Volkswagen Commercial Vehicles. Étonnamment, nous constatons que 71,68 % des séquences contiennent soit une erreur source, soit une erreur indirecte. En ce qui concerne la formation du modèle seq2seq, nous constatons que le Transformer démontre de meilleures performances par rapport au LSTM et au GRU dans ce domaine, en particulier lorsque la plage de prédiction par rapport aux durées des actions futures est augmentée.

La prévision de séries chronologiques est de plus en plus utilisée pour prédire les événements futurs au sein des entreprises et de l’industrie afin de permettre une prise de décision éclairée1,2. Dans cet article, nous évaluons son potentiel pour révolutionner la fabrication automatisée de véhicules, où les informations en temps réel sont collectées par un système d'acquisition de données de production (PDA). Les effets des erreurs dans les systèmes de fabrication interdépendants ont des conséquences désastreuses, telles que des retards de production, voire des défaillances du système de production. Dans la fabrication industrielle, les temps d’arrêt sont associés à des coûts élevés. Pour contrer les temps d'arrêt, la recherche et le développement se sont jusqu'à présent concentrés sur la maintenance prédictive des équipements3 et sur l'utilisation de voies de fabrication alternatives tout au long du processus de production4. Cependant, ces approches ne se concentrent pas explicitement sur les retards (micro-perturbations) dans les étapes individuelles du processus, qui se propagent tout au long de la chaîne du processus et sont amplifiés au cours du processus.

L'utilisation optimale d'une ligne de production de carrosseries entièrement automatisée dépend de l'exécution des différentes étapes de travail basées sur les stations dans les délais prévus. Cependant, diverses perturbations statistiquement significatives sont souvent détectées. En particulier, les erreurs sources (généralement enregistrées par le système PDA, par exemple « Aucun composant disponible ») peuvent non seulement avoir un impact sur la station actuelle, mais également avoir un effet néfaste sur les postes de travail en aval (ci-après dénommés stations), ce qui entraîne en termes d'erreurs et de retards. Même des retards minimes, à peine perceptibles par les humains, peuvent entraîner des coûts supplémentaires élevés.

Même si la prévision de séries chronologiques pour la production de carrosseries automobiles est difficile (en raison de discontinuités, de pics et de segments5), les écarts dans le processus de fabrication peuvent être identifiés grâce à l'acquisition complète de données de production et à l'évaluation structurée de ces données. Cependant, les retards et les anomalies des processus sont actuellement identifiés grâce à des classificateurs basés sur des règles qui sont programmés manuellement et maintenus à l'aide de connaissances approfondies du domaine. De plus, des efforts supplémentaires sont nécessaires pour interpréter les données traitées. Cela empêche le personnel de production de déployer rapidement des contre-mesures ciblées.

Au meilleur de nos connaissances, il n'existe actuellement aucune approche qui : (i.) apprenne à classer à la fois les erreurs sources et les erreurs indirectes ; (ii.) établir un lien entre les erreurs ; et (iii.) mesure l’effet d’entraînement des erreurs sources. Dans ce travail, nous prenons des mesures pour résoudre ces défis en utilisant l'apprentissage automatique (ML).