Contrôle Qualité 2.0 : Apprentissage supervisé de la notion de Qualité, application à l’injection plastique - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Contrôle Qualité 2.0 : Apprentissage supervisé de la notion de Qualité, application à l’injection plastique

Résumé

Quality Control measures the performance of the machine when it is made closer to the production machine on all manufactured parts. It makes possible the optimization and detection of quality drifts. Moreover, qualifying the parts right out of the machine makes it possible to reduce the final rejects that are caused by the injection-molding step. This eliminates the cost of adding value to initially bad parts during subsequent parts finishing steps. In the case of plastic injection, no system currently meets the industrial constraints of the process. We have identified three limits to the massive deployment of quality control on all parts just after molding: economic, technological and human. We present the methods and means used to meet these limits through experimental tests carried out with a new measuring device. First results are encouraging. Recent advances in Machine Learning, including deep neural networks (Deep Learning), allow to deploy a measurement device that integrates a model of the concept of Quality created from the Human Quality Expert by supervised learning. This makes possible to learn a Quality metrics for any parts.
Lorsqu’il est réalisé au plus près de la machine, sur toutes les pièces manufacturées, le Contrôle Qualité permet de mesurer les performances de la machine et de détecter les dérives qualité. De plus, qualifier les pièces dès la sortie de la machine permet de réduire les rebus finaux qui sont causés par l’étape d’injection-moulage. Cela élimine les coûts perdus issus de l’ajout de valeur à des pièces initialement mauvaises, pendant les étapes suivantes de finition de la pièce. Dans le cas de l’injection plastique, aucun système ne répond actuellement aux contraintes du procédé. Nous avons identifié trois verrous au déploiement massif du Contrôle Qualité à cent pourcent dès la sortie de la machine : économique, technologique et humain. Nous présentons les méthodes et moyens retenus pour lever ces verrous au travers des essais expérimentaux réalisés avec un prototype de dispositif de mesure. Les résultats obtenus sont très encourageants. Les avancées en Machine Learning, dont les réseaux de neurones profonds (Deep Learning), permettent de déployer un dispositif de mesure qui intègre un modèle de la notion de Qualité créé à partir de l’Expert Qualité humain par apprentissage supervisé. L’apprentissage supervisé est réalisé au fur et à mesure de la production de manière transparente.
Fichier principal
Vignette du fichier
CIGI_QUALITA2019_Contrôle Qualité 2.0 - Apprentissage supervisé de la notion de Qualité, application à l’injection plastique - camera ready.pdf (1.27 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02142331 , version 1 (12-05-2020)

Licence

Paternité - Pas d'utilisation commerciale - Partage selon les Conditions Initiales

Identifiants

  • HAL Id : hal-02142331 , version 1

Citer

Pierre Nagorny, Maurice Pillet, Eric Pairel. Contrôle Qualité 2.0 : Apprentissage supervisé de la notion de Qualité, application à l’injection plastique. CIGI-QUALITA 2019, École de Technologie Supérieure de Montréal, Jun 2019, Montréal, Canada. ⟨hal-02142331⟩
470 Consultations
346 Téléchargements

Partager

Gmail Facebook X LinkedIn More