L'IA détecte les défauts des processus de fabrication d'usine intelligents même lorsque les conditions changent
Récemment, des systèmes de détection de défaut utilisant des données de capteur d'intelligence artificielle (IA) ont été installés dans des sites de fabrication d'usine intelligents. Cependant, lorsque le processus de fabrication change en raison du remplacement de la machine ou des variations de température, de pression ou de vitesse, les modèles d'IA existants ne comprennent pas correctement la nouvelle situation et leurs performances chutent fortement.
Les chercheurs kaist ont développé une technologie d'IA qui peut détecter avec précision les défauts même dans de telles situations sans recyclage, atteignant des améliorations de performances pouvant atteindre 9,42%. Cette réalisation devrait contribuer à réduire les coûts d'exploitation de l'IA et à étendre l'applicabilité dans divers domaines tels que les usines intelligentes, les dispositifs de soins de santé et les villes intelligentes.
Une équipe de recherche dirigée par le professeur Jae-Gil Lee de la School of Computing a développé une nouvelle technologie « Adaptation de domaine chronologique » qui permet d'utiliser des modèles d'IA existants sans étiquetage supplémentaire de défauts, même lorsque les processus de fabrication ou le changement d'équipement. Les résultats de la recherche ont été présentés en août 2025 à KDD (la conférence ACM SIGKDD sur la découverte des connaissances et l'exploration de données).
La technologie d'adaptation du domaine des séries chronologiques permet aux modèles d'IA qui gèrent les données variant dans le temps (par exemple, les changements de température, les vibrations de la machine, la consommation d'énergie, les signaux de capteur) pour maintenir des performances stables sans formation supplémentaire, même lorsque l'environnement d'entraînement (domaine) et l'environnement d'application réel diffèrent.
L'équipe du professeur Lee a prêté attention au fait que le problème central des modèles d'IA se confondait par les changements environnementaux (domaine) réside non seulement dans les différences de distribution des données, mais aussi dans les changements dans les modèles d'occurrence des défauts (distribution d'étiquettes) eux-mêmes. Par exemple, dans les processus de tranche de semi-conducteurs, le rapport des défauts en forme d'anneau et des défauts de rayures peut changer en raison des modifications de l'équipement.
L'équipe de recherche a développé une méthode pour décomposer de nouvelles données de capteurs de processus en trois composantes – tendances, non-tendances et fréquences – pour analyser leurs caractéristiques individuellement. Tout comme les humains détectent les anomalies en combinant la hauteur, les modèles de vibration et les changements périodiques des sons de la machine, l'IA a pu analyser les données sous plusieurs angles.
En d'autres termes, l'équipe a développé une technologie TA4LS (adaptation du domaine des séries chronologiques pour les changements d'étiquette d'atténuation), qui applique une méthode de correction automatique des prédictions en comparant les résultats prédits par le modèle existant avec les informations de clustering des nouvelles données de processus. Grâce à cela, les prédictions biaisées vers les modèles d'occurrence des défauts du processus existant peuvent être ajustées avec précision pour correspondre au nouveau processus.
En particulier, cette technologie est très pratique car elle peut être facilement combinée comme un module de plug-in supplémentaire inséré dans les systèmes d'IA existants sans nécessiter un développement complexe séparé. Autrement dit, quelle que soit la technologie IA actuellement utilisée, elle peut être appliquée immédiatement avec seulement de simples procédures supplémentaires.
Dans des expériences utilisant quatre ensembles de données de référence d'adaptation du domaine des séries chronologiques (c'est-à-dire quatre types de données de capteurs dans lesquelles des changements s'étaient produits), l'équipe de recherche a atteint une amélioration de 9,42% de la précision par rapport aux méthodes existantes.
Surtout lorsque les changements de processus ont provoqué de grandes différences dans la distribution des étiquettes (par exemple, les modèles d'occurrence des défauts), l'IA a démontré une amélioration remarquable des performances en corrigeant et en distinguant de telles différences de telles différences.
Ces résultats ont prouvé que la technologie peut être utilisée plus efficacement sans défauts dans des environnements qui produisent de petits lots de divers produits, l'un des principaux avantages des usines intelligentes.
Le professeur Jae-Gil Lee, qui a supervisé la recherche, a déclaré: « Cette technologie résout le problème de recyclage, qui a été le plus grand obstacle à l'introduction de l'intelligence artificielle dans la fabrication. Une fois commercialisé, il contribuera grandement à la propagation des usines intelligentes en réduisant les coûts de maintenance et en améliorant les taux de détection des défauts. »
