L'analyse descriptive et l'exploration approfondie des données de qualité et de production permettent de comprendre les processus industriels afin d'optimiser la production et d'anticiper les défauts.
MESURE DE LA QUALITÉ SUR BANC DE TESTS – SPC
Secteur Ferroviaire
Les Objectifs :
- Contrôler la qualité de production par un traitement automatisé des données machines.
- Améliorer la gestion des données générées au cours du processus de fabrication.
La Solution :
- Un outil de création de cartes de contrôle pour définir les seuils et les canaux d’alertes.
- La qualification manuelle des défauts par un opérateur ou manager compétent et l’analyse instantanée des causes de non-qualité.
Les Bénéfices :
- Des indicateurs de qualité mis à jour en temps réel.
- Une consultation rapide de l’état des alertes et la réception de notifications importantes par mail.
ANALYSE DES CAUSES DE NON-QUALITÉ
Secteur de la production de films de protection auto-adhésifs.
Les Objectifs :
- Objectiver les causes de non-qualité et produire les recommandations visant à réduire sensiblement les rebuts (>10% au départ de l’étude).
La Solution :
- Analyser le process avec le métier et consolider un large panel de données issues des machines de production et du contrôle qualité.
- Produire une analyse exploratoire qui vise à étudier les corrélations et les dépendances entre les données.
- Identifier l’ensemble des facteurs influents sur la qualité et modéliser leur impact.
- Synthétiser les constats, consolider les conclusions avec le client et formuler les recommandations au travers d’un plan d’amélioration de la qualité.
- Evaluer la possibilité de déployer un modèle de prédiction de la qualité en ligne.
Les Bénéfices :
- En appliquant nos recommandations et en revoyant le contrôle qualité en conséquence, le taux de rebuts a été divisé par 2. Un résultat qui a conduit notre client à faire appel à nous pour poursuivre l’optimisation de ses processus.
ANALYSE PRÉDICTIVE DES PROPRIÉTÉS D’UN ACIER
Secteur de la production d’Aciers au carbone – Ligne de Galvanisation.
Les Objectifs :
- Contrôler et ajuster en temps réel les paramètres critiques afin d’éviter toute dégradation de la qualité en sortie de production.
- Eviter des tests destructifs a posteriori et le déclassement de produits finis et ainsi optimiser les coûts de production et maximiser la performance.
La Solution :
- Un modèle hybride physique / Machine Learning et une boucle d’optimisation des paramètres process afin d’alerter sur des dérives et d’ajuster le fonctionnement le cas échéant :
- Prédire les propriétés mécaniques de l’acier en tenant compte de multiples facteurs influents (>1000).
- Assurer la répétabilité des résultats pour un produit nouveau, aux propriétés physico-chimiques mal maîtrisées, dans un contexte de variabilité importante de qualité de la matière première.
Les Bénéfices :
- Amélioration de la précision dans l’évaluation des caractéristiques principales de l’acier produit (*2 à *6 !!!) en cours de production.
