FR3122013A1

FR3122013A1 - Procédé de contrôle de la qualité d’opérations de vissage ou de perçage incluant un apprentissage automatique non supervisé

Info

Publication number: FR3122013A1
Application number: FR2103983A
Authority: FR
Inventors: Philippe Leray; Mathieu RITOU; Mahmoud FERHAT
Original assignee: Universite de Nantes; Georges Renault SAS
Current assignee: Georges Renault SAS; Nantes Université
Priority date: 2021-04-16
Filing date: 2021-04-16
Publication date: 2022-10-21
Also published as: US20240198506A1; EP4323846A1; WO2022219153A1; CN117355803A

Abstract

La présente invention concerne un procédé de contrôle de la qualité d’opérations de vissage ou de perçage réalisées au moyen d’un outillage, ledit procédé comprenant un apprentissage automatique d’un modèle statistique de type non-supervisé. Fig 4.

Description

Procédé de contrôle de la qualité d’opérations de vissage ou de perçage incluant un apprentissage automatique non supervisé

1. Domaine de l’invention

Le domaine de l’invention est celui du contrôle de la qualité d’opérations réalisées en production industrielle, comme par exemple d’opérations de vissage ou de perçage, par la mise en œuvre de procédés intelligents de contrôle mettant en œuvre un modèle de type à apprentissage automatique (« machine learning » en langue anglaise).

2. Art antérieur

Dans de nombreux domaines industriels, notamment dans celui de l’automobile, on procède à l’assemblage de composants par vissage.

Le vissage consiste à entrainer une vis en rotation jusqu’à ce qu’un critère de serrage, qui peut par exemple être un couple de serrage ou un angle de serrage, atteigne un seuil prédéterminé. Le couple développé par une visseuse suit le couple résistant de la vis qui, en général, est une fonction linéaire de l’angle.

L’objectif fonctionnel d’un vissage est d’installer une certaine tension dans le corps de vis, cette tension permettant de réaliser l’assemblage de deux composants.

Cependant, il peut arriver qu’un vissage ne se déroule pas correctement et que la tension installée dans la vis à l’issue d’un vissage ne soit pas satisfaisante si bien que l’assemblage est défectueux.

Ceci peut notamment arriver suite à un mauvais engagement de la vis dans le taraudage (filet croisé). On observe alors le couple appliqué par la visseuse monter au niveau de couple souhaité, donnant l’impression que le serrage a été effectué convenablement, alors que la tension d’assemblage dans la vis est insuffisante voire nulle. Le vissage est alors considéré positivement bon alors qu’il n’est pas correct ; il s’agit d’un faux positif.

D’autres défauts peuvent arriver au cours d’un vissage avec des conséquences similaires : grippage dans les filets, stick slip etc.

Dans de nombreux domaines industriels, notamment dans celui de l’aéronautique, on procède au perçage ou au contre perçage de composants.

Le perçage consiste à réaliser un trou dans un composant.

Le contre perçage consiste à percer plusieurs composants plaqués les uns contre les autres avant de les assembler ensemble.

Dans l’industrie aéronautique, le contre perçage est beaucoup utilisé pour réaliser des trous dans des composants pour permettre la pose de vis ou de rivet permettant ensuite d’assembler ces composants pour produire des structures avionnées.

Ces trous sont de plus en plus fréquemment réalisés dans des empilages de matières de nature différentes : alliage d’aluminium, de titane, fibre de carbone etc.

Les systèmes de perçage permettent de mesurer en temps réel la force axiale et le couple de coupe supportés par le foret.

Ces valeurs suivent une évolution en fonction de la profondeur de pénétration du foret dans la matière qui traduit les variations de dureté des différentes matières présentent dans l’empilage.

Les couples et forces axiales sont plutôt constants, sous forme de pallier, lorsque la pointe du foret progresse dans une épaisseur de matière homogène. Au contraire elles évoluent de façon forte lorsque la pointe du foret passe d’une matière à une autre.

En principe ces évolutions du couple axial et de force axiale sont répétables d’un perçage au suivant. Une dérive dans ces évolutions peut traduire une usure prématurée du foret ou un bourrage de copeaux avec des conséquences sur la qualité du trou (géométrie, état de surface, bavure d’entrée ou de sortie de trou, écaillage de la fibre de carbone).

Les services de production et de contrôle qualité de ces industries mettent donc en œuvre des procédés visant à détecter des défauts en analysant les données (ou grandeurs) physiques enregistrées durant chaque vissage ou perçage. Ces données sont couramment appelées compte rendu de vissage ou de perçage ou résultats de vissage ou de perçage.

Ces procédés s’appuient sur des techniques de « machine learning » ou réseau de neurones et permettent d’émettre en temps réel une alerte à destination des opérateurs ou techniciens méthode afin de pouvoir isoler ou corriger les opérations de production non conformes, c’est-à-dire dont la qualité n’est pas satisfaisante.

On connaît des techniques de contrôle de la qualité d’opération de type à modèle à apprentissage supervisé. La mise en œuvre de ces techniques comprend deux phases, à savoir une phase d’apprentissage et une phase de contrôle en production.

L’apprentissage repose sur l’entrainement d’un modèle statistique, à partir de résultats d’opérations de vissage ou de perçage, pour définir des groupements (ou « cluster » en langue anglaise) de résultats. Au préalable de cet apprentissage, un opérateur doit labéliser, un à un, les résultats d’opérations pris en compte. Cette phase de labélisation consiste, pour l’opérateur, à analyser chaque résultat d’opération pour le qualifier de résultat bon ou mauvais. Après que l’opérateur a labélisé l’ensemble des résultats pris en considération, il déclenche l’apprentissage automatique du modèle supervisé de façon à le rendre apte à déterminer le label des nouveaux résultats.

Au cours de la phase de contrôle en production, dès qu’une nouvelle opération est réalisée, son résultat est analysé par le système de contrôle qui est en mesure de lui attribuer de manière automatique un label.

Une telle technique est avantageuse en ce qu’elle permet en production d’informer de manière automatique, c’est-à-dire sans l’intervention d’un technicien de contrôle, si le résultat d’une nouvelle opération est bon ou mauvais.

Toutefois, l’apprentissage de type supervisé est contraignant. En effet, pour qu’un modèle soit fiable, plusieurs centaines de résultats d’opération doivent être pris en considération. Ceci suppose que le technicien méthode passe en revue l’ensemble de ces résultats d’opération et statut sur leur conformité (i.e. caractère bon ou mauvais) préalablement à l’apprentissage. Cette tache longue et donc couteuse.

De plus, pour qu’un modèle supervisé soit efficace, il faut que l’ensemble de résultats d’opération destinés à l’entrainer contienne un nombre de résultat de chaque type (bon et mauvais) susceptible d’être rencontré lors de l’utilisation du modèle pour classifier les résultats. Or lors de la mise en service d’un tel modèle, les résultats d’opérations disponibles sont ceux émis lors des premières opérations de production et ces résultats sont pour la grande majorité de résultats bons.

En outre, même si un nombre important de résultats de types différents est fournie en phase d’apprentissage, ces modèles supervisés sont généralement conçus pour classifier les nouveaux résultats entrants en mode production dans les types identifiés au cours de l’apprentissage. Cependant, comme certains types peuvent être inconnus ou manquants lors de la phase d’apprentissage, le modèle ne peut pas détecter l’émergence d’un nouveau type de résultat non rencontré auparavant.

Enfin, la plupart de ces modèles requièrent un temps d’entrainement suffisamment important pour remplir leur objectif avec une précision considérable. De plus, comme la précision est fortement proportionnelle à la complexité du modèle et est cruciale dans un contexte industriel, la capacité d’interprétation des résultats est souvent détériorée.

3. Objectifs de l’invention

L’invention a notamment pour objectif d’apporter une solution efficace à au moins certains de ces différents problèmes.

En particulier, selon au moins un mode de réalisation, un objectif de l’invention est d’améliorer les techniques de contrôle de la qualité d’opérations de type à apprentissage automatique.

Notamment, l’invention a pour objectif, selon au moins un mode de réalisation, de fournir une telle technique qui permet d’être initialisée lors qu’un apprentissage à partir d’un ensemble de résultats d’opérations contenant en grande majorité des résultats conformes aux exigences qualité et peu de défauts, i.e. une grande majorité de résultats bons et peu de résultats mauvais.

Un autre objectif de l’invention est, selon au moins un mode de réalisation, de fournir une telle technique ne requérant que peu de travail de la part du technicien.

Un autre objectif de l’invention est, selon au moins un mode de réalisation, de fournir une telle technique apte à détecter l’apparition de résultats d’un type inconnu en cours de production.

Un autre objectif de l’invention est, selon au moins un mode de réalisation, de fournir une telle technique apte à permettre une mise à jour du modèle lorsque des résultats d’un type inconnu se présentent.

Un autre objectif de l’invention est, selon au moins un mode de réalisation, de fournir une telle technique qui permette de labéliser des groupes (clusters) et de caractériser la nature physique du défaut rencontré au cours des opérations appartenant à ces groupes.

Un autre objectif de l’invention est, selon au moins un mode de réalisation, de fournir une telle technique qui soit simple à mettre en œuvre et/ou robuste et/ou polyvalente et/ou évolutive.

4. Présentation de l’invention

Pour ceci, l’invention propose un procédé de contrôle de la qualité d’opérations de vissage ou de perçage réalisées au moyen d’un outillage, ledit procédé comprenant :

une étape d’apprentissage automatique d’un modèle, ladite étape d’apprentissage automatique initial comprenant :
une étape de recueil de résultats initiaux d’opérations de vissage ou de perçage enregistrés au cours d’une pluralité d’opérations de vissage ou de perçages ;
une étape d’obtention au moyen dudit modèle d’au moins une représentation statistique d’au moins une partie des résultats initiaux ;
une étape de labélisation de ladite au moins une représentation statistique avec au moins un desdits labels suivant:
représentation statistique labélisé de résultats conformes ;
représentation statistique labélisé de résultats non conformes ;
une étape de contrôle automatique en production de la qualité d’opérations de vissage ou de perçage, ladite étape de contrôle automatique en production étant mise en œuvre à l’issue de chaque opération et comprenant :
une étape de recueil du nouveau résultat de l’opération de vissage ou de perçage enregistré au cours de l’opération considérée ;
une étape d’affectation automatique dudit nouveau résultat de l’opération considérée à l’au moins une représentation statistique ;
une étape d’émission d’une alerte si le nouveau résultat d’opération est affecté à une représentation statistique non conforme.

Selon l’invention, ledit apprentissage du modèle est de type non-supervisé.

Ainsi, l’invention concerne une technique de contrôle qualité de résultats d’opération de vissage ou de perçage incluant un apprentissage automatique de type non supervisé.

Cette technique permet de simplifier et de réduire le temps nécessaire à l’apprentissage, ou plus précisément le cas échéant au prétraitement des résultats d’opérations, nécessaire au contrôle automatique de résultats d’opérations. En effet, plutôt que de labéliser l’ensemble des résultats d’opération comme dans une technique de l’art antérieur à apprentissage supervisé, l’opérateur ne doit labéliser que les représentations statistiques auxquelles les résultats sont affectés.

Selon une caractéristique possible, ladite étape de contrôle en production comprend une étape de rejet des nouveaux résultats d’opérations qui ne sont pas affectables à une desdites représentations statistiques, et une étape d’enregistrement des résultats rejetés en tant que résultats d’exception.

Il est ainsi possible d’écarter les résultats d’opération dont la vraisemblance d’appartenance aux lois normales déjà établies est faible.

Dans ce cas, un procédé selon l’invention comprend préférentiellement une étape d’émission d’une alerte lorsqu’un nouveau résultat obtenu à l’issue d’une opération de vissage ou de perçage est identifié comme résultat d’exception au cours de ladite étape de rejet.

Selon une caractéristique possible, ladite étape d’obtention d’au moins une représentation statistique met en œuvre un modèle statistique de type modèle de mélange de gaussiennes, ladite au moins une représentation statistique étant une loi normale multivariée.

Selon une autre variante, ladite étape d’obtention d’au moins une représentation statistique met en œuvre un modèle statistique de type K-moyennes, ladite au moins une représentation statistique étant un vecteur moyen.

Selon une variante possible, ledit modèle statistique de type mélange de gaussiennes calcule, au cours de ladite étape d’obtention d’une représentation statistique , une pluralité de lois normales multivariées initiales chacune représentatives d’un groupe de résultats initiaux d’opérations de vissage ou de perçage, chacune desdits lois normales multivariées initiales possédant un poids, ladite étape de rejet comprenant une étape de calcul de la densité de probabilité de chaque nouveau résultat d’opération de vissage ou de perçage obtenu au cours de ladite étape de contrôle automatique en production et une étape de comparaison de cette densité avec un seuil de rejet global prédéterminé dépendant du poids de chacune desdites lois normales multivariées initiales.

Selon une variante possible, ledit poids d’une loi normale multivariée initiale est représentatif du nombre de résultats d’opérations de vissage ou de perçage affectés à ladite loi normale multivariée par rapport au nombre total de résultats d’opérations de vissage ou de perçage pris en compte.

Selon une variante possible, ladite étape de classification est suivie d’une étape de mise à jour du poids de l’ensemble desdites lois normales multivariées initiales.

Selon une variante possible, ladite étape de classification est suivie d’une étape de mise à jour dudit seuil de rejet global prédéterminé.

Selon une variante possible, un procédé selon l’invention comprend une étape de mise à jour dudit apprentissage, ladite étape de mise à jour étant mise en œuvre pendant ladite étape de contrôle automatique en production et comprenant une étape de mise à jour de l’obtention d’une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée, ladite étape de mise à jour tenant compte des nouveaux résultats d’opération identifiés comme résultats d’exception pour générer au moins une nouvelle loi normale multivariée.

Selon une variante possible, au cours de ladite étape de mise à jour dudit apprentissage, ledit modèle statistique de type mélange de gaussiennes calcule de nouvelles lois normales multivariées, à partir des résultats d’exception, chacune représentative d’un nouveau groupe de résultats d’opérations, ladite étape de mise à jour dudit apprentissage comprenant une étape de calcul du nouveau poids desdites lois normales multivariées initiales et nouvelles.

Selon une variante possible, ladite étape de mise à jour dudit apprentissage génère de nouvelles lois normales multivariées, à partir des nouveaux résultats d’opérations et des résultats initiaux d’opérations, chacune représentatives d’un nouveau groupe de résultats d’opérations de vissage ou de perçage, lesdites nouvelles lois normales multivariées étant substitués aux lois normales multivariées initiales.

Selon une caractéristique possible, un procédé selon l’invention comprend une étape de comptabilisation du nombre de nouveaux résultats d’opération identifiés comme résultats d’exception, ladite étape de mise à jour dudit apprentissage étant mise en œuvre lorsque le nombre eaux résultats d’opération identifiés comme résultats d’exception atteint un seuil prédéterminé.

Selon une caractéristique possible, chaque résultat d’opération est une série de données, lesdites séries de données faisant l’objet d’un prétraitement consistant à mener sur série de donnée une série de calculs prédéterminés aboutissant chacun à une caractéristique extraite, lesdites caractéristiques extraites étant prises en considération pour la réalisation de ladite étape d’obtention d’une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée.

Selon une caractéristique possible, lesdites caractéristiques extraites sont prises en considération par ledit modèle statistique de type mélange de gaussiennes pour générer lesdites lois normales multivariées chacune représentatives d’un groupement de résultats d’opérations de vissage ou de perçage.

Selon une caractéristique possible, lequel lesdites séries de données appartiennent au groupe comprenant :

un couple en fonction d’un angle ou d’une profondeur de perçage ou du temps ;
un angle en fonction du temps ;
une intensité, notamment d’un moteur d’entrainement en rotation d’un outil de vissage ou d’entrainement en rotation ou translation d’un outil de coupe en fonction d’un angle ou d’une profondeur de perçage ou du temps ;
une force en fonction d’un angle ou d’une profondeur de perçage ou du temps.

Selon une caractéristique possible, un procédé selon ‘invention comprend une étape de sélection, dans chacun desdites séries, d’une portion de données d’intérêt, lesdites portion de données d’intérêts faisant l’objet dudit prétraitement.

L’invention concerne également un dispositif de contrôle de la qualité d’opérations de vissage ou de perçage réalisées au moyen d’un outillage, ledit dispositif comprenant :

des moyens d’apprentissage automatique d’un modèle, lesdits moyens d’apprentissage automatique initial comprenant :
des moyens de recueil de résultats initiaux d’opérations de vissage ou de perçage enregistrés au cours d’une pluralité d’opérations de vissage ou de perçages ;
Des moyens d’obtention au moyen dudit modèle d’au moins une représentation statistique d’au moins une partie des résultats initiaux ;
des moyens de labélisation de ladite au moins une représentation statistique avec au moins un desdits labels suivant:
représentation statistique labélisé de résultats conformes ;
représentation statistique labélisé de résultats non conformes ;
des moyens de contrôle automatique en production de la qualité d’opérations de vissage ou de perçage, lesdits moyens de contrôle automatique en production étant aptes à être mis en œuvre à l’issue de chaque opération et comprenant :
des moyens de recueil du nouveau résultat de l’opération de vissage ou de perçage enregistré au cours de l’opération considérée ;
des moyens d’affectation automatique dudit nouveau résultat de l’opération considérée à l’au moins une représentation statistique ;
des moyens d’émission d’une alerte si le nouveau résultat d’opération est affecté à une représentation statistique non conforme ;

ledit apprentissage dudit modèle étant de type non-supervisé.

Selon une caractéristique possible, un dispositif selon l’invention comprend des moyens de rejet des nouveaux résultats d’opérations qui ne sont pas affectables en production à une desdites représentations statistiques, et des moyens d’enregistrement des résultats rejetés en tant que résultats d’exception.

Selon une caractéristique possible, un dispositif selon l’invention comprend des moyens d’émission d’une alerte lorsqu’un nouveau résultat obtenu à l’issue d’une opération de vissage ou de perçage est identifié comme résultat d’exception par lesdits moyens de rejet.

Selon une caractéristique possible, lesdits moyens d’obtention d’au moins une représentation statistique mettent en œuvre un modèle statistique de type modèle de mélange de gaussiennes, ladite au moins une représentation statistique étant une loi normale multivariée.

Selon une caractéristique possible, lesdits moyens d’obtention d’au moins une représentation statistique mettent en œuvre un modèle statistique de type K-moyennes, ladite au moins une représentation statistique étant un vecteur moyen.

Selon une caractéristique possible, ledit modèle statistique de type mélange de gaussiennes est apte à calculer une pluralité de lois normales multivariées initiales chacune représentatives d’un groupe de résultats initiaux d’opérations de vissage ou de perçage, chacune desdits lois normales multivariées initiales possédant un poids, lesdits moyens de rejet comprenant des moyens de calcul de la densité de probabilité de chaque nouveau résultat d’opération de vissage ou de perçage obtenu en production et des moyens de comparaison de cette densité avec un seuil de rejet global prédéterminé dépendant du poids de chacune desdites lois normales multivariées initiales.

Selon une caractéristique possible, ledit poids d’une loi normale multivariée initiale est représentatif du nombre de résultats d’opérations de vissage ou de perçage affectés à ladite loi normale multivariée par rapport au nombre total de résultats d’opérations de vissage ou de perçage pris en compte.

Selon une caractéristique possible, un dispositif selon l’invention comprend des moyens de mise à jour du poids de l’ensemble desdites lois normales multivariées initiales.

Selon une caractéristique possible, un dispositif selon l’invention comprend comprenant des moyens de mise à jour dudit seuil de rejet global prédéterminé.

Selon une caractéristique possible, un dispositif selon ‘invention comprend des moyens de mise à jour de l’au moins une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée obtenues par lesdits moyens d’apprentissage, lesdits moyens de mise à jour tenant compte des nouveaux résultats d’opération identifiés comme résultats d’exception pour générer au moins une nouvelle loi normale multivariée.

Selon une caractéristique possible, lesdits moyens de mise à jour utilisant ledit modèle statistique de type mélange de gaussiennes pour calculer de nouvelles lois normales multivariées, à partir des résultats d’exception, chacune représentative d’un nouveau groupe de résultats d’opérations, lesdits moyens de mise à jour dudit apprentissage comprenant des moyens de calcul du nouveau poids desdites lois normales multivariées initiales et nouvelles.

Selon une caractéristique possible, lesdits moyens de mise à jour génèrent de nouvelles lois normales multivariées, à partir des nouveaux résultats d’opérations et des résultats initiaux d’opérations, chacune représentatives d’un nouveau groupe de résultats d’opérations de vissage ou de perçage, lesdites nouvelles lois normales multivariées étant substitués aux lois normales multivariées initiales.

Selon une caractéristique possible, un dispositif selon l’invention comprend des moyens de comptabilisation du nombre de nouveaux résultats d’opération identifiés comme résultats d’exception, lesdits moyens de mise à jour étant mis en œuvre lorsque le nombre eaux résultats d’opération identifiés comme résultats d’exception atteint un seuil prédéterminé.

Selon une caractéristique possible, chaque résultat d’opération est une série de données, ledit dispositif comprenant des moyens de prétraitement desdites séries de données consistant à mener sur série de donnée une série de calculs prédéterminés aboutissant chacun à une caractéristique extraite, lesdites caractéristiques extraites étant prises en considération par lesdits moyens d’obtention d’une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée.

Selon une caractéristique possible, lesdites séries de données appartiennent au groupe comprenant :

Selon une caractéristique possible, un dispositif selon l’invention comprend des moyens de sélection, dans chacun desdites séries, d’une portion de données d’intérêt, lesdites portion de données d’intérêts étant prises en compte par lesdits moyens de prétraitement.

L’invention concerne également un produit programme d'ordinateur, comprenant des instructions de code de programme pour la mise en œuvre d’un procédé selon l’une quelconque des variantes exposées ci-dessus, lorsque ledit programme est exécuté sur un ordinateur.

L’invention concerne également un médium de stockage lisible par ordinateur et non transitoire, stockant un produit programme d’ordinateur selon la revendication 35.

5. Description des figures

D’autres caractéristiques et avantages de l’invention apparaîtront à la lecture de la description suivante de modes de réalisation particuliers, donnée à titre de simple exemple illustratif et non limitatif, et des dessins annexés parmi lesquels :

la illustre un exemple de tableau d’un résultat d’opération ;

la illustre un exemple de courbe de vissage ;

la illustre les blocs fonctionnels d’un exemple de dispositif de contrôle selon l’invention ;

la illustre d’apprentissage d’un procédé selon l’invention ;

la illustre l’utilisation en production d’un procédé selon l’invention ;

la illustre une première variante de mise à jour de l’apprentissage d’un procédé selon l’invention ;

la illustre un exemple d’architecture d’un système de contrôle qualité selon l’invention.

6. Description de modes de réalisation particuliers

6.1. Dispositif de contrôle qualité

L’invention concerne une technique de contrôle de la qualité d’opérations de vissage ou de perçage mettant en œuvre un modèle statistique de type à apprentissage automatique (« machine learning » en langue anglaise) non supervisé.

Les opérations de vissage ou de perçage sont réalisées avec un dispositif de travail comprenant classiquement un outil, comme une visseuse ou une perceuse, et un contrôleur muni d’une IHM permettant de contrôler l’outil.

Le l’outil et/ou le contrôleur permettent notamment d’enregistrer, ou cours de la réalisation de chaque opération, un résultat d’opération.

Au cours d’une opération de vissage, diverses grandeurs physiques peuvent être mesurées par l’outil et/ou le contrôleur pour suivre l’évolution de l’opération en cours et détecter sa finalisation par l’atteinte de seuils objectifs par certaines des grandeurs physiques mesurées.

Dans l’exemple décrit ici, l’on considérera que les grandeurs physiques mesurées au cours d’une opération de vissage comprennent l’angle de vissage et le couple de vissage.

Au cours d’une opération de perçage, les grandeurs physiques mesurées sont notamment par exemple le couple et la poussée axiale sur l’outil générés par l’outil coupant.

Au cours d’une opération de vissage, des moyens de contrôle intégrés à l’outil et/ou au contrôleur permettent de mesurer et d’enregistrer des grandeurs physiques sur la base d’une fréquence d’acquisition prédéterminée, ces grandeurs physiques pouvant comprendre une ou plusieurs des grandeurs suivantes : l’angle de vissage, le couple de vissage ou l’intensité du moteur de l’outil.

L’outil et/ou le contrôleur peut alors par exemple enregistrer, suivant la cadence de son microprocesseur, des couplets comprenant une valeur d’angle de vissage et une valeur de couple de vissage. Un couplet d’angle de vissage et de couple de vissage correspond au résultat d’une mesure d’angle et de couple de vissage à un même instant.

Au cours d’une opération de vissage, ces couplets sont enregistrés sous la forme d’un tableau de valeurs et peuvent donner lieu à la construction d’une courbe de vissage qu’un opérateur peut visionner sur un moniteur.

La illustre un tableau de valeurs dans lequel sont enregistrés les couplets mesurés au cours d’une opération de vissage. La illustre un exemple de courbe de vissage.

Le résultat d’un vissage est donc dans cet exemple un tableau de valeurs listant les couplets angle de vissage/couple de vissage enregistrés au cours d’une opération de vissage. Un tel tableau regroupe donc des couplets qui constituent une série de données, encore appelées séries de données temporelles.

Dans le cadre d’un perçage, les grandeurs physiques mesurées comprennent généralement le couple et la force axiale générés par l’outil de coupe en fonction de la profondeur atteinte par la pointe de l’outil de coupe (foret).

Le résultat d’un perçage est donc dans cet exemple un tableau de valeurs listant les couplets profondeur de perçage/couple et un tableau de valeurs listant les couplets profondeur de perçage/force axiale enregistrés au cours d’une opération de vissage. Chaque tableau regroupe donc des couplets qui constituent une série de données, encore appelées séries de données temporelles.

Un résultat d’opération est donc une (cas d’un vissage) ou plusieurs (cas d’un perçage) série de données enregistrées au cours de la réalisation de l’opération.

Ce résultat d’opération est ensuite analysé par un dispositif de contrôle de la qualité 100 qui permet de vérifier si l’opération réalisée est conforme ou non conforme au niveau de qualité attendu.

Un dispositif de contrôle qualité selon l’invention comprend :

des moyens fonctionnels de recueil de résultats d’opérations 10 ;
des moyens fonctionnels (optionnels) de sélection d’une portion d’intérêt dans chaque résultat d’opération 11 ;
des moyens fonctionnels de prétraitement des résultats d’opération ou des portions d’intérêt 12 ;
des moyens fonctionnels de génération d’au moins une représentation statistique (lois normales multivariées ou vecteurs moyens) représentatives de groupements de résultats d’opération 13 ;
des moyens fonctionnels de labélisation des représentations statistiques 14 ;
des moyens fonctionnels (optionnels) de rejets de résultats d’opération non affectables 15 ;
des moyens fonctionnels d’affectation des résultats d’opérations 16 ;
des moyens fonctionnels d’émission d’un signal d’alerte 17 ;
des moyens fonctionnels de mise à jour des représentations statistiques 18.

Un tel dispositif comprend notamment une unité de traitement équipée par exemple d’un microprocesseur, une mémoire vive, une mémoire morte contenant un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution d’un procédé selon l’invention.

Ces moyens fonctionnels ne sont pas décrits ici plus en détail. Ils intègrent classiquement des composants hardware et des briques logicielles. Leurs fonctionnalités respectives seront décrites plus en détail par la suite avec la description du procédé de contrôle selon l’invention.

6.2. Procédé de contrôle qualité

Un dispositif de travail est mis en œuvre pour réaliser successivement sur un poste de travail, une pluralité d’opérations d’un même type. Par exemple, une opération de vissage d’un type correspond au serrage d’un assemblage donné, comme par exemple celui d’une vis de fixation d’une culasse sur un moteur, qui est reproduit une pluralité de fois successivement sur une chaine de production.

Lors de sa mise en service, un dispositif de contrôle qualité selon l’invention doit être entrainé au contrôle de la qualité du type d’opération dont il doit permettre d’assurer le contrôle qualité.

Pour cela, un procédé de contrôle qualité selon l’invention comprend une étape d’apprentissage initial du modèle de contrôle, l’apprentissage étant de type non supervisé.

Le mode de mise en œuvre préférentiel utilise un modèle de type mélange gaussien conduisant à la génération de représentations statistiques des résultats d’opération sous la forme de lois normales multivariées.

6.2.1. Apprentissage initial du modèle

L’étape d’apprentissage initial 200 consiste, à partir d’une pluralité de résultats initiaux d’opérations, à obtenir au moins une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée initiales, chaque loi étant représentative d’un groupe initial de résultats. Chaque loi normale multivariée est ensuite labélisée comme étant représentative de résultats conformes ou de résultats non conformes.

En production, chaque nouveau résultat d’opération est affecté à une des lois normales multivariée de manière telle qu’il lui soit attribué un label de résultat conforme ou non conforme.

L’étape d’apprentissage initial 200 du modèle comprend plusieurs étapes.

i. Recueil

L’apprentissage comprend en premier lieu une étape 20 de recueil d’une pluralité de résultats initiaux d’opérations.

Les résultats initiaux d’opérations sont les résultats d’opérations obtenus par la réalisation d’une pluralité d’opérations d’un type dont on souhaite ultérieurement contrôler la qualité par la mise en œuvre du procédé de contrôle qualité. Un résultat d’opération est par exemple un ou plusieurs tableaux de valeurs de plusieurs grandeurs physiques mesurées constituant une série de données, ou série temporelle, comme indiqué précédemment, comme par exemple le tableau représenté à la .

ii. Sélection de portions d’intérêts

Il est possible de réaliser l’apprentissage du modèle sur l’ensemble des séries de données des résultats initiaux. Il est toutefois plus efficace de sélectionner dans la série de données de chaque résultat d’opération, une portion d’intérêt, correspondant à une partie d’une opération à laquelle il convient de s’intéresser en particulier. Le fait de sélectionner une portion d’intérêt permet de réduire le nombre de données prises en considération en se concentrant sur une portion importante et ainsi de simplifier le modèle par exemple pour réduire les temps de calcul.

L’apprentissage peut donc comprendre une étape 21 optionnelle de sélection d’une portion d’intérêt dans la série de données de chaque résultat initial d’opération.

Dans le cadre d’une opération de vissage, un tableau de résultat d’opération peut comprendre un certain nombre de marqueurs correspondant à des instants caractéristiques d’une opération de vissage. En l’occurrence, les marqueurs pris en considération dans cet exemple sont :

le couple de seuil de comptage d’angle ;
le couple d’arrêt moteur du dispositif de vissage.

Le couple de seuil de comptage d’angle correspond à la valeur du couple de vissage à partir duquel la valeur de l’angle de vissage est mesuré.

Le couple d’arrêt moteur est le couple de vissage à l’instant où le dispositif de vissage s’arrête pour marquer la fin de l’opération de vissage.

Les marqueurs sont ici mentionnés dans une ligne du tableau sous la forme du chiffre 4 (il pourrait s’agir de tout autre caractère) dans la colonne correspondant à l’atteinte du couple de seuil de comptage d’angle et du chiffre 2 (il pourrait s’agir de tout autre caractère différent du marqueur précédent) dans la colonne correspondant à l’atteinte du couple d’arrêt moteur.

L’étape de sélection d’une portion d’intérêt consiste donc, pour chaque résultat d’opération, à extraire de la série de données les données situées entre les marqueurs.

iii. Prétraitement : extraction des caractéristiques

L’apprentissage comprend ensuite une étape 22 de prétraitement des séries de données (ou portions d’intérêt de séries de données).

Un tel prétraitement peut par exemple consister à mener, sur chaque série de données ou portion d’intérêt, une série de calculs prédéterminés aboutissant chacun à une caractéristique extraite.

Une série de calculs peut par exemple être issues d’une bibliothèque telle que la bibliothèque tsfresh supportée par Python. D’autres bibliothèques pourraient être utilisées comme par exemple SciPy.

La série d’un nombre d de calculs prédéterminés réalisée sur chaque série de données ou portion d’intérêt (issue d’un résultat d’opération) donne un vecteur Xi comprenant d caractéristiques extraites. En supposant que le nombre de séries de données (ou portions d’intérêt de séries de données) prises en considération soit égal à N, on obtient à l’issue du prétraitement une matrice X de données de dimensions Nxd. Ces vecteurs de caractéristiques extraites sont préférentiellement enregistrés pour servir ultérieurement, par exemple pour mettre à jour le modèle, comme cela sera expliqué plus en détail par la suite.

iv. Obtention d’un ensemble de représentations statistiques des résultats initiaux d’opération sous la forme de loi(s) normale(s) multivariée(s) initiales

L’apprentissage comprend ensuite une étape 23 d’obtention d’une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée initiales. Chaque loi normale multivariée est représentative d’un groupe (ou cluster) de résultats initiaux d’opération. Dans ce mode de réalisation, cette étape met en œuvre un modèle statistique de type modèle de mélange de gaussiennes (GMM).

Le modèle GMM détermine, à partir de la matrice X de caractéristiques extraites, Kmax propositions de mélange de lois normales multivariées initiales. Chaque mélange contient K loi normales multivariées, K variant de 1 à Kmax.

Chaque loi normale multivariée d’un mélange de lois normales multivariées est représentative d’un cluster de résultats initiaux d’opération pris en considération pour réaliser l’apprentissage.

Chaque loi normale multivariée est caractérisée par :

µk : vecteur moyenne de chaque loi normale multivariée

Σk : matrice de covariance de chaque loi normale multivariée

: poids de chaque gaussienne du mélange de la lois normales multivariées

Le poids d’un loi normale multivariée dans un mélange de loi normales multivariées est représentatif du nombre de résultats d’opérations affectés à ladite loi normale multivariée par rapport au nombre total de résultats d’opérations pris en compte et la somme des poids de toutes les lois normales multivariées d’un mélange est égal à 1.

Parmi les Kmax propositions de mélange de loi normale multivariées (ou ensemble de représentation statistique), il est ensuite déterminé laquelle offre le meilleur compromis entre précision et simplicité du modèle.

Pour cela, il est calculé le critère d’information Bayesien (BIC) grâce aux formules ci-dessous :

Avec :

Nombre de lois normales envisagé dans les différentes propositions de mélange.

Matrice de caractéristiques extraites des résultats utilisés pour l’apprentissage

aveck∈{1,..,K} P paramètres du mélange de lois normales multivariées

Poids de chaque gaussienne du mélange de la loi normale multivariée

Ψ _K =K+Kd +Kd(d-1)/2 Nombre de paramètres de chaque proposition

Nombre de résultats d’opération utilisés pour l’apprentissage

K* nombre optimal de lois normales multivariées initiales.

A l’issue de l’apprentissage initial, le GMM fournit un mélange d’un nombre K* de lois normales multivariées initiales dans lequel chaque loi normale multivariée initiale est représentative d’un cluster de résultats initiaux d’opération.

Ces éléments ne sont pas plus détaillés ici étant par ailleurs connus dans l’état de l’art antérieur.

v. Labélisation des groupes initiaux de résultats d’opération

L’apprentissage se poursuit par la mise en œuvre d’une étape 25 de labélisation des lois normales multivariées.

Au cours de la labélisation, chaque lois normales multivariées se voit attribuer un label, par exemple un des labels suivants :

lois normales multivariées labélisées de résultats conformes ;
lois normales multivariées labélisées de résultats non conformes.

Pour cela, le système procure au technicien méthode, pour chaque loi normale multivariée, un résultat d’opération ayant conduit à la génération de cette loi, sous la forme d’une courbe de résultat d’opération, d’un tableau de résultat d’opération ou autre, de sorte qu’il puisse déterminer si ce résultat est conforme ou non. La loi normale multivariée est labélisée en conséquence. Ainsi, dans cette méthode non supervisée, le technicien ne doit labéliser qu’un résultat d’opération par cluster plutôt que l’ensemble des résultats d’opération.

Un label conforme ou non conforme est ainsi associé, par un opérateur via une interface IHM, à chaque loi normale multivariée. La nature du défaut rencontré pour les opérations ayant conduit à chaque loi normale multivariée peut aussi être renseignée (stick slip, grippage etc.).

La labélisation des lois normales multivariées marque la fin de l’apprentissage initial du modèle.

Lorsque l’apprentissage initial du modèle est terminé, le procédé de contrôle qualité peut être mis en œuvre en cours de production pour vérifier, en temps réel, à l’issue de chaque opération, si elle est conforme ou non au niveau d’exigence.

vi. Détermination d’un seuil de rejet global

Il peut arriver, en cours de production, que de nouveaux résultats d’opérations recueillis ne soient affectables à aucunes des lois normales multivariées générées durant l’apprentissage.

Ces résultats d’opération affectables à aucune loi normale multivariée existante peuvent résulter d’une dérive du processus de production et nuire aux exigences de qualité. Elles peuvent correspondre à l’apparition d’un nouveau défaut vis-à-vis duquel il faut non seulement générer une alerte mais aussi préparer une surveillance.

L’apprentissage du modèle est l’occasion pour établir un mécanisme de rejet pour détecter, en production, les résultats d’opération non affectables aux lois normales multivariées générées durant l’apprentissage.

Il est connu de vérifier si un résultat d’opération est affectable à une loi normale multivariée en comparant sa densité de probabilité avec un seuil propre à ladite loi.

Avec :

Nombre de calculs prédéterminés

Matrice de covariance pour la gaussienne considérée

est choisi entre 1 et 10% , plus est élevé plus l’affectation d’un résultat à une loi normale implique que ce résultat soit centré sur la loi normale. Si cette loi normale est représentative d’une conformité aux exigences de qualité ou encore d’un défaut physique donné, alors choisir un élevé revient à retenir comme appartenant à cette loi les résultats physiques proches de l’exigence qualité ou proche du défaut physique.

Si :

Alors, il est considéré que le résultat d’opération n’appartient pas à ladite loi normale.

Dans le cadre de la présente invention, le mécanisme de rejet a pour objectif de déterminer si un résultat d’opération est susceptible d’appartenir non plus à une seule loi normale mais au mélange de plusieurs loi normale.

Il est donc envisagé d’établir un seuil global propre au mélange de lois normales auquel sera comparé la densité de probabilité globale d’un résultat d’opération .

L’objectif visé dans l’établissement d’un seuil de rejet global est premièrement de permettre la vérification de l’appartenance d’un nouveau résultat d’opération à l’une des lois normales multivariées en une seule opération de contrôle et deuxièmement de fiabiliser le mécanisme de rejet en sévérisant l’affectation des nouveaux résultats aux lois normales de faible poids et en facilitant l’affectation des nouveaux résultats aux lois normales de fort poids.

Ainsi, le poids des différentes lois normales est pris en compte pour calculer le seuil global au cours de l’étape 24 de détermination du seuil global de rejet.

Le seuil de rejet global est ensuite calculé comme suit :

L’usage de ce seuil global est expliqué plus loin.

6.2.2. Contrôle qualité en production

Au cours de chaque opération menée en production avec l’outil, l’outil et/ou le contrôleur enregistre classiquement le résultat d’opération. Ce résultat d’opération est transmis pour contrôle au dispositif de contrôle qualité de sorte qu’un label conforme ou non conforme soit attribué à chaque résultat d’opération.

i. Recueil d’un nouveau résultat d’opération

Le contrôle qualité en production 300 comprend donc une étape 30 de recueil du nouveau résultat d’opération sous la forme d’une série de données.

ii. Sélection d’une portion d’intérêt

Cette étape de recueil 30 est optionnellement suivie d’une étape 31 de sélection d’une portion d’intérêt dans la série de données du nouveau résultat d’opération. Cette étape est mise en œuvre lorsqu’elle l’a été au cours de l’apprentissage initial du modèle.

iii. Prétraitement

La série de données, ou la portion d’intérêt, est ensuite prétraitée dans une étape 32 de prétraitement équivalente à l’étape de prétraitement mise en œuvre pendant l’apprentissage initial.

A l’issue de l’étape de prétraitement, les moyens de prétraitement génèrent un vecteur de caractéristiques extraites qui est enregistré pour être éventuellement utilisé lors d’étapes suivantes. Ce vecteur peut être utilisé dans le mécanisme de rejet, dans la classification s’il n’est pas un résultat d’exception, ou lors de la mise à jour du modèle. est un vecteur de caractéristiques extraites à partir d’un résultat d’opération initial alors que est un vecteur de caractéristiques extraites à partir d’un nouveau résultat d’opération enregistré en production.

iv. Rejet de résultat d’exception

Le contrôle qualité en production se poursuit par la mise en œuvre (optionnelle) d’une étape 33 de rejet du nouveau résultat d’opération s’il n’est affectable à aucune des lois normales multivariée labélisées, et le cas échéant une étape 34 d’enregistrement du résultat rejeté en tant que résultat d’exception.

Cette étape 33 de rejet consiste à rejeter tout nouveau résultat d’opération dont on sait qu’il n’est affectable à aucune des lois normales multivariées générées durant la phase d’apprentissage.

L’étape de rejet des résultats d’exception comprend :

le calcul de la densité de probabilité globale du nouveau résultat d’opération :

la comparaison de la densité de probabilité du nouveau résultat avec le seuil de rejet global ,
le rejet du nouveau résultat d’opération si sa densité de probabilité est inférieure au seuil de rejet global , :

l’enregistrement du nouveau résultat d’opération en tant que résultat d’exception s’il est rejeté.

v. Affectation à une lois normale multivariée existante d’un nouveau résultat d’opération non rejeté

Classification

Si le nouveau résultat d’opération n’est pas rejeté au cours de l’étape de rejet, le contrôle qualité en production se poursuit par la mise en œuvre d’une étape 35 d’affectation automatique du nouveau résultat d’opération considéré à l’une des lois normales multivariées initiales labellisées.

Cette étape consiste à déterminer la loi normale multivariée à laquelle le nouveau résultat d’opération peut être attribué. La loi normale multivariée à laquelle le nouveau résultat d’opération affecté est déterminée grâce à la relation suivante :

Mise à jour du poids des gaussiennes et du seuil de rejet global

Chaque fois qu’un nouveau résultat d’opération est affecté à une des lois normales multivariées, le poids des lois normales multivariées est mis à jour suivant la formule :

Avec, si différent de l’indice du cluster recevant le nouveau résultat alors :

Le seuil de rejet global est mis à jour en conséquence.

vi. Alerte en cas de rejet ou d’affectation à une lois normales multivariées labélisée non conforme

Si le nouveau résultat d’opération considéré est affecté à une loi normale multivariée non conforme aux exigences de qualité, alors le procédé de contrôle qualité en production se poursuit par la mise en œuvre d’une étape 36 d’émission d’une alerte (par exemple visuelle et/ou sonore) à l’attention du technicien méthode et/ou de l’opérateur œuvrant à la réalisation des opérations pour l’avertir que l’opération de vissage ou perçage nécessite un correctif.

vii. Contrôle qualité en production récurrent.

Le procédé de contrôle qualité en production est mis en œuvre chaque fois qu’une nouvelle opération est réalisée par un opérateur.

viii. Comptage des résultats d’exception et mise à jour de l’apprentissage

Le procédé de contrôle qualité en production comprend préférentiellement :

une étape 37 de comptage du nombre de résultats d’exception enregistrés ;
une étape 38 de comparaison du nombre de résultats d’exception avec un seuil de comptage prédéterminé ;
une étape 39 de déclenchement d’une mise à jour de l’apprentissage lorsque le seuil de comptage est atteint.

6.2.3. Mise à jour de l’apprentissage

Le procédé comprend une étape 400, 400’ de mise à jour de l’apprentissage. Cette étape est mise en œuvre pendant la réalisation du contrôle qualité en production.

La mise à jour de l’apprentissage est mise en œuvre tout au long de la mise en œuvre du procédé de contrôle qualité en production, par exemple chaque fois que le nombre de résultats d’exception recueilli est suffisant. Elle pourrait aussi être déclenchée manuellement ou encore selon une fréquence temporelle donnée.

La mise à jour de l’apprentissage peut être réalisée suivant deux variantes.

i. Mise à jour de l’apprentissage avec les résultats d’exception seuls

La mise à jour 400 de l’apprentissage peut être réalisée en tenant compte uniquement des résultats d’exception.

Cette mise à jour consiste :

40- à obtenir, dans une étape d’obtention de mise à jour, une ou plusieurs nouvelles lois normales multivariées représentatives de nouveaux groupes de résultats à partir des résultats d’exception préalablement recueillis et prétraités au cours de l’étape de rejet, c’est-à-dire à partir des caractéristiques extraites précédemment enregistrées de ces résultats ; le procédé d’obtention de ces nouvelles lois normales multivariées utilise comme précédemment le GMM et le calcul du critère d’information Bayésien pour déterminer un mélange de lois normales multivariées optimum.
41- à labéliser les lois normales obtenues par un opérateur leur attribuant, comme expliqué précédemment, un des labels suivants :
lois normales multivariées labélisées de résultats conformes ;
lois normales multivariées labélisées de résultats non conformes.

Sont ensuite mis à jour les poids des lois normales multivariées initiales obtenues lors de l’apprentissage initial et des nouvelles lois normales multivariées, ainsi que le seuil de rejet global en mettant en œuvre les étapes suivantes :

42- à calculer le nouveau nombre de résultats d’opérations pris en compte :N=N ^(prev) +N ^(new) )
43- à calculer le nouveau poids des lois normales multivariées initiales :π _k =π _k(prev) .N ^(prev) /N
44- à calculer le poids des nouvelle lois normales multivariées :π _k =N _k(new) /N
45- à calculer la nouvelle valeur du seuil de rejet global

Avec

N ^(prev) Nombre de résultats d’opération affectés aux lois normales multivariées issues de l’apprentissage initial.
N(new) Nombre de résultats d’opération appartenant aux lois normales multivariées obtenues lors de la mise à jour.

Ces opérations, qui sont similaires à celles mises en œuvre pendant l’apprentissage initial, ne sont pas décrites plus en détail ici.

Les lois nouvelles normales multivariées issues de l’étape 40 sont associées aux lois normales multi variées initiales du mélange obtenu lors de l’apprentissage initial.

Le nouveau modèle ainsi obtenu est appliqué lors que la mise en œuvre du procédé de contrôle qualité en production après cette mise à jour.

A chaque nouvelle mise à jour de l’apprentissage, on génère, à partir des résultats d’exception, de nouvelles lois normales multivariées qui sont associées aux lois normales précédentes comprenant les lois initiales et les lois générées au cours des mises à jour précédentes.

ii. Mise à jour de l’apprentissage avec les résultats d’exception et les résultats affectées à de précédentes lois normales multivariées

La mise à jour 400’ de l’apprentissage peut être réalisée en tenant compte des résultats d’exception et des résultats affectés à des lois normales multivariées existantes issues de l’apprentissage initial.

Cette mise à jour consiste à :

40’- à obtenir, dans une étape de mise à jour d’obtention, de nouvelles lois normales multivariées à partir des résultats d’exception préalablement recueillis et prétraités au cours de l’étape de rejet et des résultats affectés aux lois normales multivariées issues de l’apprentissage initial, c’est-à-dire à partir des caractéristiques extraites précédemment enregistrées de l’ensemble des résultats ;
41’- à labéliser les lois normales obtenues par un opérateur leur attribuant, comme expliqué précédemment, un des labels suivants :
lois normales multivariées labélisées de résultats conformes ;
lois normales multivariées labélisées de résultats non conformes..
42’ - à calculer le nouveau nombre de résultats d’opérations pris en compte :N=N ^(prev) +N ^(new) )
43’ - à calculer le nouveau poids des nouvelles lois normales multivariées;
44’ - à calculer la nouvelle valeur du seuil de rejet global

Les nouvelles lois normales multivariées sont substituées aux lois normales multivariées issues de l’apprentissage initial.

A chaque nouvelle mise à jour de l’apprentissage, les nouvelles lois normales multivariées sont générées à partir des nouveaux résultats d’opérations et des résultats précédentes comprenant les résultats initiaux et les résultats d’opération précédentes.

iii. Avantages et inconvénients des deux solutions de mise à jour de l’apprentissage

Le premier type de mise à jour présente comme avantage un calcul moins lourd que le second type de mise à jour. Il conserve aussi les clusters obtenus lors de l’initialisation et peux ainsi permettre la mise en évidence d’une éventuelle dérive des nouveaux résultats vis-à-vis de ces clusters initiaux.

Le second type de mise à jour est plus lourd en termes de calcul mais il offre l’avantage d’une plus grande précision compte tenu que les lois normales multivariées obtenues lors de l’initialisation sont réestimées en prenant en compte non seulement les résultats initiaux mais aussi les résultats qui ont été attribués aux clusters associés à ces lois lors de la phase classification en production.

6.3. Variante des K-moyennes

Dans une variante, le modèle statistique mis en œuvre pour le regroupement des résultats d’opération en clusters pourrait être différent que celui de type GMM.

Un modèle de type k-moyennes pourrait par exemple être utilisé. En effet, l’objectif des k-moyennes est de partitionner l’ensemble des résultats en un nombre de K clusters, tel que la somme des carrés des distances de chaque point par rapport au centre du cluster auquel il a été affecté est minimale.

Similaire au modèle de mélange de gaussiennes, cet apprentissage implique plusieurs calculs d’ensemble de clusters, chacun de ses calculs présuppose un nombre de clusters choisi entre 1 et un maximum .

Ensuite, parmi les différents ensembles de clusters, est retenu celui qui offre le meilleur compromis entre précision et simplicité.

Le calcul du critère de Silhouette (Sht(K)) permet cette évaluation.

Avec :

K Nombre de cluster considéré

vecteur des caractéristiques extraites du résultat i

indice de Silhouette associé au vecteur

la moyenne de la distance intra-cluster dans lequel est affecté

: la distance entre et le second cluster le plus proche.

Le mécanisme de rejet sera caractérisé par :

Calculer un seuil numérique pour chaque cluster
Le calcul de ce seuil numérique est basé sur la dispersion des points qui lui ont étaient affecté
Pour chaque résultat i affecté à un cluster k, le carré de la distance est calculé.
où est la distance entre le résultat i et le résultat le plus proche (qui appartient au même cluster que celui du résultat i).
Le nombre n est le nombre de n plus proches voisins du résultat i et est fixé par le technicien méthode.
Le seuil numérique est fixé par le 100(1- )% centile de la distribution des distances au carré sur le cluster.

est similaire au risque de première espèce sur les cartes de contrôle et est fixé par le technicien méthode.

Pour un nouveau résultat p, si alors le nouveau résultat est considéré comme de type inconnu.

6.4. Exemple d’architecture système

La illustre un système 500 complet de travail et de contrôle qualité qui peut par exemple comprendre :

un outil (50 par exemple une visseuse ou une perceuse) ;
un contrôleur 51 apte à communiquer avec l’outil 50 ;
une interface homme machine (IHM) 52 comprenant par exemple la forme d’un P.C. ;
un serveur 53 apte à communiquer avec le contrôleur et avec l’IHM.

Au cours de l’apprentissage initial, l’outil permet de réaliser une pluralité d’opérations et le contrôleur exporte vers le serveur le résultat de chaque opération.

Pour réaliser l’apprentissage, le serveur recueil les résultats d’opération initiaux exportés par le contrôleur. Le serveur réalise l’apprentissage initial alors que l’IHM est utilisée en fin d’apprentissage par le technicien méthode pour réaliser la labélisation des lois normales multivariées.

Pendant le contrôle qualité en production, l’outil permet de réaliser des opérations successives. Chaque résultat d’opération est envoyé par l’outil au serveur. Le serveur rejette le nouveau résultat d’opération comme résultat d’exception ou bien l’affecte à une loi normale multivariée conforme ou non conforme. Si le résultat d’opération est rejeté comme résultat d’exception ou affecté à une lois normale multivariée non conforme, le serveur génère l’émission d’un signal d’alerte par exemple par l’IHM.

Le technicien commande par l’IHM l’activation de la mise à jour de l’apprentissage. La mise à jour est réalisée par le serveur. Pendant cette mise à jour, le technicien labélise les nouvelles lois normales multivariées au moyen de l’IHM.

Dans une variante, pendant le contrôle qualité en production, l’outil permet de réaliser des opérations successives. Chaque résultat d’opération est exporté par l’outil au serveur. Le serveur rejette le nouveau résultat d’opération comme résultat d’exception ou bien l’affecte à une normale multivariée conforme ou non conforme. Si le résultat d’opération est rejeté ou affecté à une loi normale multivariée non conforme, le serveur commande l’émission d’un signal d’alerte. Le serveur commande, suivant une fréquence prédéterminée ou l’atteinte d’un nombre donné de résultats d’exception, l’activation de la mise à jour de l’apprentissage. La mise à jour est réalisée par le serveur. Pendant cette mise à jour, le technicien labélise les nouvelles lois normales multivariées au moyen de l’IHM.

Les différents moyens fonctionnels du dispositif de contrôle qualité selon l’invention sont implantés dans les différents équipements de ces architectures en fonction des besoins.

6.5. Variante

De façon générale, la présente invention concerne un procédé de contrôle de la qualité d’opérations de vissage ou de perçage réalisées au moyen d’un outillage, ledit procédé comprenant un apprentissage automatique d’un modèle statistique de type non-supervisé.

De façon plus générale encore, l’invention concerne un procédé de contrôle de la qualité de tout type d’opérations industrielles, ledit procédé comprenant un apprentissage automatique d’un modèle statistique de type non-supervisé.

Claims

Procédé de contrôle de la qualité d’opérations de vissage ou de perçage réalisées au moyen d’un outillage, ledit procédé comprenant :
une étape d’apprentissage automatique d’un modèle, ladite étape d’apprentissage automatique initial comprenant :

une étape de recueil de résultats initiaux d’opérations de vissage ou de perçage enregistrés au cours d’une pluralité d’opérations de vissage ou de perçages ;

une étape d’obtention au moyen dudit modèle d’au moins une représentation statistique d’au moins une partie des résultats initiaux ;

une étape de labélisation de ladite au moins une représentation statistique avec au moins un desdits labels suivant:

représentation statistique labélisé de résultats conformes ;

représentation statistique labélisé de résultats non conformes ;

une étape de contrôle automatique en production de la qualité d’opérations de vissage ou de perçage, ladite étape de contrôle automatique en production étant mise en œuvre à l’issue de chaque opération et comprenant :

une étape de recueil du nouveau résultat de l’opération de vissage ou de perçage enregistré au cours de l’opération considérée ;

une étape d’affectation automatique dudit nouveau résultat de l’opération considérée à l’au moins une représentation statistique ;

une étape d’émission d’une alerte si le nouveau résultat d’opération est affecté à une représentation statistique non conforme ;
caractérisé en ce que ledit apprentissage dudit modèle est de type non-supervisé.
Procédé selon la revendication 1, dans lequel ladite étape de contrôle en production comprend une étape de rejet des nouveaux résultats d’opérations qui ne sont pas affectables à une desdites représentations statistiques, et une étape d’enregistrement des résultats rejetés en tant que résultats d’exception.
Procédé selon la revendication 2 comprenant une étape d’émission d’une alerte lorsqu’un nouveau résultat obtenu à l’issue d’une opération de vissage ou de perçage est identifié comme résultat d’exception au cours de ladite étape de rejet.
Procédé selon la revendication 1 à 3, dans lequel ladite étape d’obtention d’au moins une représentation statistique met en œuvre un modèle statistique de type modèle de mélange de gaussiennes, ladite au moins une représentation statistique étant une loi normale multivariée.
Procédé selon la revendication 1 à 3, dans lequel ladite étape d’obtention d’au moins une représentation statistique met en œuvre un modèle statistique de type K-moyennes , ladite au moins une représentation statistique étant un vecteur moyen.
Procédé selon les revendications 2 et 4 dans lequel ledit modèle statistique de type mélange de gaussiennes calcule, au cours de ladite étape d’obtention d’une représentation statistique , une pluralité de lois normales multivariées initiales chacune représentatives d’un groupe de résultats initiaux d’opérations de vissage ou de perçage, chacune desdits lois normales multivariées initiales possédant un poids, ladite étape de rejet comprenant une étape de calcul de la densité de probabilité de chaque nouveau résultat d’opération de vissage ou de perçage obtenu au cours de ladite étape de contrôle automatique en production et une étape de comparaison de cette densité avec un seuil de rejet global prédéterminé dépendant du poids de chacune desdites lois normales multivariées initiales.
Procédé selon la revendication 6 dans lequel ledit poids d’une loi normale multivariée initiale est représentatif du nombre de résultats d’opérations de vissage ou de perçage affectés à ladite loi normale multivariée par rapport au nombre total de résultats d’opérations de vissage ou de perçage pris en compte.
Procédé selon la revendication 6 ou 7 dans lequel ladite étape de classification est suivie d’une étape de mise à jour du poids de l’ensemble desdites lois normales multivariées initiales.
Procédé selon l’une quelconque des revendications 6 à 8 dans lequel ladite étape de classification est suivie d’une étape de mise à jour dudit seuil de rejet global prédéterminé.
Procédé selon l’une quelconque des revendications 6 à 9 comprenant une étape de mise à jour dudit apprentissage, ladite étape de mise à jour étant mise en œuvre pendant ladite étape de contrôle automatique en production et comprenant une étape de mise à jour de l’obtention d’une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée, ladite étape de mise à jour tenant compte des nouveaux résultats d’opération identifiés comme résultats d’exception pour générer au moins une nouvelle loi normale multivariée.
Procédé selon la revendication 10 dans lequel au cours de ladite étape de mise à jour dudit apprentissage, ledit modèle statistique de type mélange de gaussiennes calcule de nouvelles lois normales mutivatiées, à partir des résultats d’exception, chacune représentative d’un nouveau groupe de résultats d’opérations, ladite étape de mise à jour dudit apprentissage comprenant une étape de calcul du nouveau poids desdites lois normales multivariées initiales et nouvelles.
Procédé selon la revendication 10 dans lequel ladite étape de mise à jour dudit apprentissage génère de nouvelles lois normales multivariées, à partir des nouveaux résultats d’opérations et des résultats initiaux d’opérations, chacune représentatives d’un nouveau groupe de résultats d’opérations de vissage ou de perçage, lesdites nouvelles lois normales multivariées étant substitués aux lois normales multivariées initiales.
Procédé selon l’une quelconque des revendication 10 à 12 comprenant une étape de comptabilisation du nombre de nouveaux résultats d’opération identifiés comme résultats d’exception, ladite étape de mise à jour dudit apprentissage étant mise en œuvre lorsque le nombre eaux résultats d’opération identifiés comme résultats d’exception atteint un seuil prédéterminé.
Procédé selon l’une quelconque des revendication 1 à 13 dans lequel chaque résultat d’opération est une série de données, lesdites séries de données faisant l’objet d’un prétraitement consistant à mener sur série de donnée une série de calculs prédéterminés aboutissant chacun à une caractéristique extraite, lesdites caractéristiques extraites étant prises en considération pour la réalisation de ladite étape d’obtention d’une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée.
Procédé selon les revendications 6 et 14 dans lequel lesdites caractéristiques extraites sont prises en considération par ledit modèle statistique de type mélange de gaussiennes pour générer lesdites lois normales multivariées chacune représentatives d’un groupement de résultats d’opérations de vissage ou de perçage.
Procédé selon la revendication 14 ou 15 dans lequel lesdites séries de données appartiennent au groupe comprenant :
un couple en fonction d’un angle ou d’une profondeur de perçage ou du temps ;

un angle en fonction du temps ;

une intensité, notamment d’un moteur d’entrainement en rotation d’un outil de vissage ou d’entrainement en rotation ou translation d’un outil de coupe en fonction d’un angle ou d’une profondeur de perçage ou du temps ;

une force en fonction d’un angle ou d’une profondeur de perçage ou du temps.
Procédé selon l’une quelconque des revendication 14 à 16 comprenant une étape de sélection, dans chacun desdites séries, d’une portion de données d’intérêt, lesdites portion de données d’intérêts faisant l’objet dudit prétraitement.
Dispositif de contrôle de la qualité d’opérations de vissage ou de perçage réalisées au moyen d’un outillage, ledit dispositif comprenant :
des moyens d’apprentissage automatique d’un modèle, lesdits moyens d’apprentissage automatique initial comprenant :

des moyens de recueil de résultats initiaux d’opérations de vissage ou de perçage enregistrés au cours d’une pluralité d’opérations de vissage ou de perçages ;

Des moyens d’obtention au moyen dudit modèle d’au moins une représentation statistique d’au moins une partie des résultats initiaux ;

des moyens de labélisation de ladite au moins une représentation statistique avec au moins un desdits labels suivant:

représentation statistique labélisé de résultats conformes ;

représentation statistique labélisé de résultats non conformes ;

des moyens de contrôle automatique en production de la qualité d’opérations de vissage ou de perçage, lesdits moyens de contrôle automatique en production étant aptes à être mis en œuvre à l’issue de chaque opération et comprenant :

des moyens de recueil du nouveau résultat de l’opération de vissage ou de perçage enregistré au cours de l’opération considérée ;

des moyens d’affectation automatique dudit nouveau résultat de l’opération considérée à l’au moins une représentation statistique ;

des moyens d’émission d’une alerte si le nouveau résultat d’opération est affecté à une représentation statistique non conforme ;
caractérisé en ce que ledit apprentissage dudit modèle est de type non-supervisé.
Dispositif selon la revendication 18, comprenant des moyens de rejet des nouveaux résultats d’opérations qui ne sont pas affectables en production à une desdites représentations statistiques, et des moyens d’enregistrement des résultats rejetés en tant que résultats d’exception.
Dispositif selon la revendication 19 comprenant des moyens d’émission d’une alerte lorsqu’un nouveau résultat obtenu à l’issue d’une opération de vissage ou de perçage est identifié comme résultat d’exception par lesdits moyens de rejet.
Dispositif selon l’une quelconque des revendications 18 à 20, dans lequel lesdits moyens d’obtention d’au moins une représentation statistique mettent en œuvre un modèle statistique de type modèle de mélange de gaussiennes, ladite au moins une représentation statistique étant une loi normale multivariée.
Dispositif selon l’une quelconque des revendications 18 à 20, dans lequel lesdits moyens d’obtention d’au moins une représentation statistique mettent en œuvre un modèle statistique de type K-moyennes, ladite au moins une représentation statistique étant un vecteur moyen.
Dispositif selon les revendications 19 et 21 dans lequel ledit modèle statistique de type mélange de gaussiennes est apte à calculer une pluralité de lois normales multivariées initiales chacune représentatives d’un groupe de résultats initiaux d’opérations de vissage ou de perçage, chacune desdits lois normales multivariées initiales possédant un poids, lesdits moyens de rejet comprenant des moyens de calcul de la densité de probabilité de chaque nouveau résultat d’opération de vissage ou de perçage obtenu en production et des moyens de comparaison de cette densité avec un seuil de rejet global prédéterminé dépendant du poids de chacune desdites lois normales multivariées initiales.
Dispositif selon la revendication 23 dans lequel ledit poids d’une loi normale multivariée initiale est représentatif du nombre de résultats d’opérations de vissage ou de perçage affectés à ladite loi normale multivariée par rapport au nombre total de résultats d’opérations de vissage ou de perçage pris en compte.
Dispositif selon la revendication 23 ou 24 comprenant des moyens de mise à jour du poids de l’ensemble desdites lois normales multivariées initiales.
Dispositif selon l’une quelconque des revendications 23 à 25 comprenant des moyens de mise à jour dudit seuil de rejet global prédéterminé.
Dispositif selon l’une quelconque des revendications 23 à 26 comprenant des moyens de mise à jour de l’au moins une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée obtenues par lesdits moyens d’apprentissage, lesdits moyens de mise à jour tenant compte des nouveaux résultats d’opération identifiés comme résultats d’exception pour générer au moins une nouvelle loi normale multivariée.
Dispositif selon la revendication 27 dans lequel lesdits moyens de mise à jour utilisant ledit modèle statistique de type mélange de gaussiennes pour calculer de nouvelles lois normales multivariées, à partir des résultats d’exception, chacune représentative d’un nouveau groupe de résultats d’opérations, lesdits moyens de mise à jour dudit apprentissage comprenant des moyens de calcul du nouveau poids desdites lois normales multivariées initiales et nouvelles.
Dispositif selon la revendication 27 dans lequel lesdits moyens de mise à jour génèrent de nouvelles lois normales multivariées, à partir des nouveaux résultats d’opérations et des résultats initiaux d’opérations, chacune représentatives d’un nouveau groupe de résultats d’opérations de vissage ou de perçage, lesdites nouvelles lois normales multivariées étant substitués aux lois normales multivariées initiales.
Dispositif selon l’une quelconque des revendication 27 à 29 comprenant des moyens de comptabilisation du nombre de nouveaux résultats d’opération identifiés comme résultats d’exception, lesdits moyens de mise à jour étant mis en œuvre lorsque le nombre eaux résultats d’opération identifiés comme résultats d’exception atteint un seuil prédéterminé.
Dispositif selon l’une quelconque des revendication 18 à 30 dans lequel chaque résultat d’opération est une série de données, ledit dispositif comprenant des moyes de prétraitement desdites séries de données consistant à mener sur série de donnée une série de calculs prédéterminés aboutissant chacun à une caractéristique extraite, lesdites caractéristiques extraites étant prises en considération par lesdits moyens d’obtention d’une représentation statistique des résultats initiaux sous la forme d’au moins une loi normale multivariée.
Dispositif selon les revendications 23 et 31 dans lequel lesdites caractéristiques extraites sont prises en considération par ledit modèle statistique de type mélange de gaussiennes pour générer lesdites lois normales multivariées chacune représentatives d’un groupement de résultats d’opérations de vissage ou de perçage.
Dispositif selon la revendication 31 ou 32 dans lequel lesdites séries de données appartiennent au groupe comprenant :
un couple en fonction d’un angle ou d’une profondeur de perçage ou du temps ;

un angle en fonction du temps ;

une intensité, notamment d’un moteur d’entrainement en rotation d’un outil de vissage ou d’entrainement en rotation ou translation d’un outil de coupe en fonction d’un angle ou d’une profondeur de perçage ou du temps ;

une force en fonction d’un angle ou d’une profondeur de perçage ou du temps.
Dispositif selon l’une quelconque des revendication 31 à 33 comprenant des moyens de sélection, dans chacun desdites séries, d’une portion de données d’intérêt, lesdites portion de données d’intérêts étant prises en compte par lesdits moyens de prétraitement.
Produit programme d'ordinateur, comprenant des instructions de code de programme pour la mise en œuvre d’un procédé selon l’une quelconque des revendications 1 à 17, lorsque ledit programme est exécuté sur un ordinateur.
Médium de stockage lisible par ordinateur et non transitoire, stockant un produit programme d’ordinateur selon la revendication 35.