Contrôle qualité, détection des défauts et contrôle statistique des processus

Gains :

• Capacité à surveiller les données de production et d’inspection avec l’IA et à détecter rapidement les modèles de défauts et d’écarts
• Capacité à configurer et à interpréter le contrôle statistique des processus (SPC), le Cpk et les cartes de contrôle avec prise en charge de l'IA
• Capacité à vérifier la classification des défauts d'AI avec le résultat CND, les critères d'acceptation et la confirmation d'inspection autorisée

C'est le devoir constant de l'ingénieur métallurgique et qualité de remarquer laquelle des milliers de pièces passant par une ligne de production est défectueuse et à quel moment le processus commence à déraper. Contrôle qualité, vérifiant si le produit répond aux exigences spécifiées ; détection des défauts, capture des erreurs dans le produit (rayures, pores, fissures, écarts dimensionnels) ; Le contrôle statistique des processus (SPC) est une méthode permettant de comprendre si le processus est sous contrôle en surveillant statistiquement les données de production. L'intelligence artificielle accélère la classification automatique des défauts à partir d'images, la capture de modèles dans des données de mesure volumineuses, ainsi que la construction et l'interprétation de graphiques SPC. Mais une alarme n’est pas une décision automatique ; Chaque sortie de l'IA doit être confirmée par le résultat du CND, les critères d'acceptation et l'approbation de l'inspection autorisée.

Concepts de base du SPC et rôle de l'IA

• Carte de contrôle : graphique montrant l'évolution d'une mesure (par exemple, diamètre, dureté) au fil du temps, avec une ligne centrale et des limites de contrôle (généralement ± 3 écarts types). Le franchissement des limites est le signe que le processus a changé.
• Limite de contrôle, etc. Tolérance : Les limites de contrôle proviennent de la variation naturelle du processus ; la tolérance (limite de spécification) est ce que souhaite le client. Il ne faut pas confondre les deux.
• Cp et Cpk (indices de capabilité du processus) : mesurent la facilité avec laquelle le processus s'inscrit dans les limites de tolérance. Cp évalue le spread, et Cpk évalue ensemble le spread + la décentration. Cpk ≥ 1,33 est généralement considéré comme suffisant.
• Cause privée ou cause commune : la cause commune est le bruit inhérent au processus ; La cause spécifique (par exemple usure de l'outil, mauvais lot) est un écart qui nécessite une intervention. Le but du SPC est de séparer les deux.

L'IA est puissante pour enseigner ces concepts, générer du code qui calcule une carte de contrôle/Cpk à partir de données et interpréter les modèles de graphiques (tendance, dérive, périodicité). Mais l'ingénieur détermine la cause du dépassement des limites et l'intervention correcte.

Attention : étendre les limites de contrôle « pour éviter une alarme » est l'une des erreurs les plus dangereuses. Les limites sont calculées à partir de la variation réelle du procédé ; Leur extension arbitraire rend les écarts réels invisibles et déplace le produit défectueux vers le client.

Étape par étape : surveillance de la qualité basée sur l'IA

1. Sélectionnez la caractéristique : quelle mesure critique sera surveillée (CQ : caractéristique de qualité critique) ? Le système de mesure est-il fiable (Gage R&R) ?
2. Collecter des données : échantillonnage régulier en sous-groupes. Le compteur est-il calibré ?
3. Configurer la carte : demandez à l'IA le type et le code appropriés de la carte de contrôle (barre X/R, plage de déplacement individuel).
4. Commentaire : Existe-t-il des règles de dépassement, de tendance et de lots (par exemple, les règles de Western Electric) ?
5. Recherchez la cause première : l’alarme est un déclencheur ; Confirmer la mesure, examiner le processus.
6. Décider : en fonction des critères d'acceptation et du résultat du CND ; Séparez le lot dévié et appliquez une action corrective.

Détection de défauts et contrôles non destructifs

L'IA basée sur l'image (classificateurs d'apprentissage profond) peut extraire rapidement les défauts de surface (rayures, bavures, oxydes, pores). Les défauts internes nécessitent des contrôles non destructifs (CND) : radiographie (RT), ultrasons (UT), magnétoscopie (MT), ressuage (PT). L'IA peut pré-filtrer les images RT/UT, mais l'évaluation finale est effectuée par du personnel CND certifié et selon des critères d'acceptation standard.

Type de défaut

Méthode typique

Contribution de l'IA

décision finale

Rayure/bavure de surface

image optique

classement automatique

Critère d'acceptation + opérateur

Pore/fissure interne

RT/TU

Présélection d'images

Norme NDT+ certifiée

Fissure (ouverte à la surface)

MT/PT

marquage d'indication

Approbation CND niveau II/III

Écart de taille

MMT / mesure

Suivi des tendances avec SPC

Tolérance + décision

trois mini-cases

Cas 1 – Piège d’expansion des frontières. La limite supérieure de contrôle est fréquemment dépassée lors de la mesure du diamètre sur une ligne. L'opérateur recommande d'élargir les limites pour réduire les alertes. L'ingénieur qualité s'y oppose ; Il demande à l'IA d'analyser les données SPC et constate qu'il y a un décalage systématique (cause spécifique) dans l'équipe de l'après-midi, probablement dû à l'usure des outils. Lorsque la période de changement d'outil est raccourcie, le processus revient dans les limites. Leçon : l’alarme est une source d’information ; Il ne faut pas le faire taire, mais en trouver la raison.

Cas 2 — Mauvaise interprétation de Cpk. Un rapport indique que le processus est « Cpk = 1,8, parfait », mais que les pièces posent des problèmes aux clients. L'ingénieur demande à l'IA d'examiner les données ; Il constate que le véritable changement est caché car la résolution du système de mesure est insuffisante (le R&R du Gage est mauvais), le Cpk élevé vient de l'aveuglement des mesures. Tout d’abord, le système de mesure est corrigé et le Cpk réel est de 1,1. Leçon : toute statistique basée sur un mauvais système de mesure est trompeuse ; Vérifiez d'abord la mesure.

Cas 3 — Élimination correcte des CND. Un fabricant utilise la pré-qualification RT basée sur l'IA sur les pièces moulées ; signale les pièces suspectes et les dirige vers le personnel CND certifié. L'IA passe rapidement en revue la plupart des éléments propres, le personnel se concentrant uniquement sur ceux marqués. Cependant, dans une série critique pour la sécurité, les pièces que l'IA qualifie de « propres » sont également échantillonnées et vérifiées par CND ; parce que l’IA est un outil de sélection, pas une autorité d’admission. Leçon : L'IA améliore l'efficacité, mais l'acceptation finale s'accompagne d'un CND standard et d'une approbation autorisée.

Modèles d'invite copiables

MODÈLE DE CONFIGURATION DE LA CARTE DE CONTRÔLE "Rôle : Vous êtes SPC / assistant qualité. Je dispose des données de mesure suivantes : [données du sous-groupe]. Caractéristique : [diamètre/dureté]. Recommandez-moi le type de carte de contrôle approprié (X-bar/R ou I-MR) avec justification et calculez la ligne médiane + les limites de contrôle avec le code Python. Insistez sur le fait que les limites de contrôle sont différentes de la TOLÉRANCE. Commentez le dépassement de limite, mais indiquez que la raison doit être recherchée."

MODÈLE DE COMMENTAIRE Cpk "Cp = [...], Cpk = [...], tolérance = [...], distribution mesurée = [...]. Interprétez ces valeurs : le processus est-il adéquat, y a-t-il une décentration ? Rappelez-moi de demander EN PREMIER si le système de mesure est fiable (Gage R&R).

MODÈLE D'ÉVALUATION DE CLASSIFICATION DES DÉFAUTS "Le modèle d'image IA a marqué les défauts suivants : [liste]. Pour chacun : par rapport à quels critères d'acceptation (norme) doit-il être évalué, quelle méthode CND est requise pour la confirmation, quel est le risque de faux positif/négatif ? Spécifiez que l'acceptation finale doit être donnée avec un CND certifié et une approbation autorisée. Positionnez la sortie de l'IA comme « pré-sélection ».

MODÈLE D'ANALYSE DE MODÈLE SPC "Examinez les données de la carte de contrôle suivantes : [données/séries chronologiques]. Y a-t-il une tendance, une dérive, une périodicité ou une violation des règles de série (Western Electric) ? Pour chaque modèle, énumérez la cause possible du processus (usure de l'outil, changement de lot, température) comme HYPOTHÈSE et écrivez comment elle sera vérifiée. Ne déclarez pas de cause exacte. "

Invite faible/Invite forte

INVITE FAIBLE : « La qualité de ces données est-elle bonne ? »

INVITE FORTE : "Rôle : Vous êtes l'assistant SPC. J'ai les données de diamètre d'arbre suivantes (25 sous-groupes, n=5) : [données]. La tolérance est de 20,00 ± 0,05 mm. Demandez-moi : (1) calculer le centre et les limites de contrôle pour le Comparez le résultat avec les critères d'acceptation, mais rappelez-vous que le système de mesure (Gage R&R) doit être vérifié.

L'invite faible donne une réponse vague et sans commentaire. Une invite puissante donne des données claires, la tolérance et les résultats souhaités ; Il stipule la distinction limite/tolérance de contrôle, le contrôle R&R du Gage, et que la décision finale appartient à l'ingénieur.

Erreurs courantes

• Confondre les limites de contrôle avec la tolérance ou les étendre pour qu'aucune alarme ne se déclenche.
• S'appuyer sur Cpk sans vérifier le système de mesure (Gage R&R).
• Considérer le dépassement de limite comme la « cause profonde » automatique et décider de la mise au rebut sans confirmer la mesure.
• considérer la classification des défauts AI comme la décision d'acceptation finale ; Contournement des CND et des approbations autorisées.
• Intervenir sur chaque fluctuation sans distinguer la cause commune de la cause spécifique (surajustement).
• Dans une série critique pour la sécurité, faire pleinement confiance à ce que l'IA dit être "propre" et ne pas effectuer de vérification par échantillonnage.

En résumé

L'IA dans le contrôle qualité augmente l'œil et la rapidité de l'ingénieur qualité avec la classification des défauts, la capture de modèles dans le Big Data et le calcul du graphique SPC/Cpk. Cependant, si la distinction entre limite de contrôle et tolérance, la fiabilité du système de mesure et la distinction entre cause spéciale et cause commune ne sont pas faites correctement, les statistiques peuvent être trompeuses. Traitez chaque alarme comme un déclencheur, confirmez la mesure, étudiez la cause première et liez l'acceptation finale aux critères d'acceptation, aux CND standard et à l'approbation autorisée. L'IA fait une sélection préliminaire, l'ingénieur prend la décision.

Tâche de candidature

Spécifiez une série de mesures réelles ou fictives (par exemple 20 à 25 sous-groupes de données de diamètre/dureté) et une tolérance. Avec le modèle « SETUP CONTROL CHART », demandez à l'IA le type de graphique et le code de calcul appropriés et faites-lui calculer les limites de contrôle. Commentez ensuite l'adéquation du processus à l'aide du modèle "Cpk COMMENT" et notez la vérification R&R du Gage. Enfin, créez un scénario de dépassement de limite et écrivez dans un paragraphe les étapes que vous déciderez (confirmation de la mesure, cause première, critères d'acceptation).

liste de contrôle

• [ ] J'ai identifié l'attribut de qualité critique à surveiller et la fiabilité du système de mesure.
• [ ] J'ai sélectionné le type de carte de contrôle approprié et calculé les limites du processus.
• [ ] J'ai séparé la limite de contrôle et la tolérance ; Je n’ai pas élargi les limites arbitrairement.
• [ ] J'ai interprété Cpk avec la fiabilité du système de mesure.
• [ ] J'ai considéré l'alarme comme un déclencheur, j'ai confirmé la mesure et j'ai recherché la cause profonde.
• [ ] J'ai basé l'acceptation finale sur des critères d'acceptation, des CND standard et une approbation autorisée.