MESURE DE LA QUALIT? SUR BANC DE TESTS – SPC
Secteur Ferroviaire
Les Objectifs :
- Contr?ler la qualité de production par un traitement automatisé des données machines.
- Améliorer la gestion des données générées au cours du processus de fabrication.
La Solution :
- Un outil de création de cartes de contr?le pour définir les seuils et les canaux d’alertes.
- La qualification manuelle des défauts par un opérateur ou manager compétent et l’analyse instantanée des causes de non-qualité.
Les Bénéfices :
- Des indicateurs de qualité mis à jour en temps réel.
- Une consultation rapide de l’état des alertes et la réception de notifications importantes par mail.
ANALYSE DES CAUSES DE NON-QUALIT?
Secteur de la production de films de protection auto-adhésifs.
Les Objectifs :
- Objectiver les causes de non-qualité et produire les recommandations visant à réduire sensiblement les rebuts (>10% au départ de l’étude).
La Solution :
- Analyser le process avec le métier et consolider un large panel de données issues des machines de production et du contr?le qualité.
- Produire une analyse exploratoire qui vise à étudier les corrélations et les dépendances entre les données.
- Identifier l’ensemble des facteurs influents sur la qualité et modéliser leur impact.
- Synthétiser les constats, consolider les conclusions avec le client et formuler les recommandations au travers d’un plan d’amélioration de la qualité.
- Evaluer la possibilité de déployer un modèle de prédiction de la qualité en ligne.
Les Bénéfices :
- En appliquant nos recommandations et en revoyant le contr?le qualité en conséquence, le taux de rebuts a été divisé par 2. Un résultat qui a conduit notre client à faire appel à nous pour poursuivre l’optimisation de ses processus.
ANALYSE PR?DICTIVE DES PROPRI?T?S D’UN ACIER
Secteur de la production d’Aciers au carbone – Ligne de Galvanisation.
Les Objectifs :
- Contr?ler et ajuster en temps réel les paramètres critiques afin d’éviter toute dégradation de la qualité en sortie de production.
- Eviter des tests destructifs a posteriori et le déclassement de produits finis et ainsi optimiser les co?ts de production et maximiser la performance.
La Solution :
- Un modèle hybride physique / Machine Learning et une boucle d’optimisation des paramètres process afin d’alerter sur des dérives et d’ajuster le fonctionnement le cas échéant :
- Prédire les propriétés mécaniques de l’acier en tenant compte de multiples facteurs influents (>1000).
- Assurer la répétabilité des résultats pour un produit nouveau, aux propriétés physico-chimiques mal ma?trisées, dans un contexte de variabilité importante de qualité de la matière première.
Les Bénéfices :
- Amélioration de la précision dans l’évaluation des caractéristiques principales de l’acier produit (*2 à *6 !!!) en cours de production.
