Apprentissage automatique dans les tests de composants

Apprentissage automatique dans les tests de composants : révolutionner l'assurance qualité pour les pièces de l'aérospatiale et de la défense

Les tests rigoureux des composants de l’aérospatiale et de la défense subissent une profonde transformation grâce au Machine Learning (ML). Au-delà des seuils statiques de réussite/d'échec, les algorithmes de ML analysent de vastes ensembles de données multivariés issus de cycles de test pour découvrir des modèles subtils, prédire la fiabilité à long terme et optimiser le processus de test lui-même. Ce guide explore la manière dont ML améliore la validation et la qualification de composants critiques tels que les relais de l'aviation militaire , les capteurs d'aviation et les contacteurs d'avion . Pour les responsables des achats exigeant les plus hauts niveaux de qualité et de données de performances prédictives pour les moteurs d'avions , les systèmes de drones et les avions , comprendre le rôle du ML dans les tests est essentiel pour prendre des décisions d'approvisionnement éclairées.

Dynamique de l’industrie : des tests de conformité à l’intelligence prédictive de la qualité

L'industrie ne considère plus les tests comme un point de contrôle de conformité mais les exploite désormais comme une source d' intelligence prédictive de la qualité (PQI) . En appliquant le ML aux données de test historiques et en temps réel, les fabricants peuvent passer de la détection des défauts à leur prédiction et à leur prévention. Cela est particulièrement important pour les composants complexes où les modes de défaillance ne sont pas toujours évidents lors des contrôles d'un seul paramètre. Pour un capteur de moteur d'aviation de haute qualité ou un contacteur d'avion gourmand en énergie, ML peut corréler les variations subtiles des signatures électriques lors du test final avec les performances sur le terrain à long terme, permettant l'identification des unités « limites » qui pourraient réussir les tests traditionnels mais présentent un risque plus élevé de défaillance précoce.

Applications ML clés dans le flux de travail de test des composants

Le ML est intégré dans l’ensemble du continuum de tests :

• Amélioration de l'inspection visuelle automatisée (AVI) : la vision par ordinateur basée sur le ML surpasse l'AVI traditionnelle basée sur des règles en apprenant à identifier des défauts complexes et nuancés, tels que des microfissures dans les corps de fusibles d'aviation en céramique, une qualité de joint de soudure incohérente ou des imperfections de surface sur les connecteurs, avec une cohérence et une rapidité surhumaines.
• Détection d'anomalies dans les données de séries chronologiques de test : lors des tests de cycle de vie d'un relais d'aviation militaire , les modèles ML analysent des paramètres tels que le rebond de contact, le courant de bobine et la température sur des milliers de cycles. Ils apprennent la signature « normale » et peuvent signaler des écarts subtils indiquant des mécanismes d'usure émergents bien avant qu'une défaillance grave ne se produise.
• Optimisation des tests et séquençage adaptatif des tests : les algorithmes de ML peuvent analyser quels tests sont les plus prédictifs de la qualité finale pour un lot donné. Ils peuvent adapter de manière dynamique les plans de test, réduisant ainsi potentiellement la durée des tests en éliminant les contrôles redondants ou en concentrant les ressources sur les tests les plus révélateurs pour ce contexte de production spécifique.
• Corrélations prédictives et analyse des causes profondes : en analysant les données tout au long du processus de fabrication (par exemple, lot de matériaux, paramètres de la machine, conditions environnementales), le ML peut identifier des corrélations complexes et non linéaires qui manqueraient aux analystes humains. Cela accélère l’analyse des causes profondes lorsqu’un échec de test se produit, en le reliant à des étapes de processus spécifiques.

Priorités d'approvisionnement : 5 préoccupations majeures des acheteurs de défense russes et de la CEI en matière de tests de blanchiment d'argent

Lors de l'évaluation des capacités de test améliorées par le ML des fournisseurs, les équipes d'approvisionnement se concentrent sur les résultats vérifiables et la transparence :

1. Validation de l'algorithme, explicabilité et voie d'acceptation réglementaire : les acheteurs ont besoin de preuves que les modèles de ML ont été rigoureusement validés par rapport à des ensembles de données connus comme bons et mauvais. Ils exigent de plus en plus une IA explicable (XAI) : comprendre pourquoi un composant a été signalé, et pas seulement pourquoi il l'a été. Un argument clair sur la manière dont les résultats du ML s'alignent sur ou améliorent les exigences de certification traditionnelles (selon les plans de test DO-254 et MIL-STD-810 ) est essentiel.
2. Provenance des données, qualité et atténuation des biais : l'adage « garbage in, garbage out » est primordial. Les fournisseurs doivent documenter la provenance et la qualité des données de formation. Les acheteurs examinent les processus pour s'assurer que les modèles ML ne sont pas biaisés par des données non représentatives (par exemple, formés uniquement sur les lots de production d'été) qui pourraient conduire à des rejets incorrects ou, pire encore, à des acceptations incorrectes de composants destinés à une utilisation dans les trains ou les avions.
3. Intégration avec les systèmes de gestion de la qualité (QMS) existants : les informations ML doivent alimenter directement le QMS du fournisseur (par exemple, AS9100 ). Comment les alertes basées sur le ML sont-elles converties en rapports de non-conformité (NCR) ou en actions correctives et préventives (CAPA) ? Le processus doit être documenté et vérifiable.
4. Taux de faux positifs/faux négatifs et impact économique : les fournisseurs doivent fournir des données statistiquement solides sur les performances du modèle : son taux de faux positifs (mise au rebut inutile de bonnes pièces) et son taux de faux négatifs (manque d'une pièce défectueuse). Les compromis économiques et de risque de ces tarifs doivent être compris et convenus, car ils ont un impact direct sur les coûts et la sécurité.
5. Stratégie de surveillance et de mise à jour des performances des modèles à long terme : les modèles ML peuvent « dériver » à mesure que les processus de fabrication ou les matériaux changent. Les acheteurs ont besoin d'une stratégie de fournisseur pour surveiller en permanence les performances des modèles et d'un processus clair et contrôlé pour recycler et mettre à jour les modèles avec de nouvelles données afin de garantir une précision durable au fil des années de production.

L'écosystème de qualité basé sur les données de YM et alimenté par l'apprentissage automatique

Nous avons construit une infrastructure qualité centrée sur les données à l' échelle de notre usine et de nos installations . Chaque élément d'équipement de test, des stations de test automatisées pour les capteurs d'aviation aux testeurs de durée de vie à courant élevé pour les contacteurs de l'aviation militaire, est un nœud de données. Ce vaste flux de données synchronisé dans le temps alimente notre plateforme centrale d'analyse de fabrication , où fonctionnent des modèles ML propriétaires. Par exemple, nos modèles analysent le profil de courant d'appel de chaque contacteur d'avion lors du test final, en le comparant à un profil doré affiné à partir de millions de tests précédents pour prédire les caractéristiques d'usure mécanique.

Cette capacité est le résultat direct de notre équipe R&D et de notre innovation en matière de science des données et de traitement du signal. Notre équipe comprend des spécialistes qui développent des modèles d'apprentissage non supervisés pour découvrir des anomalies inconnues et des modèles d'apprentissage supervisé pour prédire des modes de défaillance spécifiques. Une innovation clé est notre application du ML aux données de burn-in et de dépistage du stress environnemental (ESS) , où nous identifions des signatures subtiles de défaillance précoce qui nous permettent d'éliminer les unités de mortalité infantile avec une précision sans précédent, améliorant ainsi la fiabilité de chaque composant expédié. Découvrez notre technologie de qualité prédictive .

Étape par étape : mise en œuvre d'un programme de tests amélioré par le ML

Les organisations peuvent adopter le ML lors des tests grâce à une approche structurée et itérative :

1. Phase 1 : Fondation des données et instrumentation :
   • Assurez-vous que tous les équipements de test peuvent exporter des données chronologiques haute fidélité (pas seulement des résultats de réussite/échec).
   • Centralisez et nettoyez les données de test historiques, en les étiquetant avec des résultats connus (par exemple, « échec sur le terrain à 500 heures », « réussi le test de durée de vie de 10 000 heures »).
2. Phase 2 : Projet pilote sur une composante de grande valeur :
   • Sélectionnez un composant avec des modes de défaillance connus et complexes (par exemple, un compteur d'aviation spécifique pour drone ou type relais).
   • Développez et entraînez un modèle ML initial axé sur une prédiction unique et précieuse, telle que l'identification des unités susceptibles de ne pas correspondre aux spécifications d'étalonnage dans un délai d'un an.
3. Phase 3 : Validation et intégration dans le workflow :
   1. Exécutez le modèle ML en « mode fantôme » parallèlement aux tests traditionnels pour un lot important.
   2. Valider ses prédictions par rapport aux résultats réels (par exemple, grâce à des tests de fiabilité étendus).
   3. Intégrez les alertes de modèles validés dans le flux de travail du technicien qualité via le système numérique de gestion de la qualité .
4. Phase 4 : mise à l'échelle et amélioration continue : étendez le ML à d'autres gammes de produits et types de tests. Utilisez les informations du ML pour améliorer les processus (par exemple, ajuster un paramètre d'usinage marqué comme corrélé à la variance des tests ultérieurs). Établissez une boucle de rétroaction continue où les données de fiabilité sur le terrain sont utilisées pour recycler et améliorer les modèles de test.

Normes de l'industrie et meilleures pratiques en évolution pour le ML dans les tests

Bâtir la confiance dans les décisions basées sur les données

Alors que les normes formelles pour le ML dans les tests sont naissantes, des cadres et des bonnes pratiques émergent :

• ISO/IEC 22989 :2022 et ISO/IEC 23053 :2022 : Cadre pour les concepts et la terminologie de l'intelligence artificielle (IA), fournissant un lexique fondamental.
• AS9100 : 2016 (gestion de la qualité) et AS9102 (inspection du premier article) : les principes de preuves objectives, de contrôle des processus et d'amélioration continue au sein de ces normes constituent la base du système qualité dans lequel ML doit s'intégrer.
• MIL-STD-882E (Sécurité du système) : L'utilisation du ML dans les tests doit prendre en charge le processus global d'évaluation de la sécurité, exigeant de la transparence dans la façon dont les résultats du ML sont liés à l'analyse des dangers.
• NIST AI Risk Management Framework (AI RMF) : fournit des lignes directrices volontaires pour la gestion des risques associés à l’IA, y compris les aspects de validité, de fiabilité, de sécurité et d’équité, directement applicables aux algorithmes de test.
• Gouvernance du modèle interne : les principaux fournisseurs mettent en œuvre des politiques rigoureuses de gouvernance du modèle ML interne couvrant le développement, la validation, le déploiement et la surveillance, dépassant souvent les directives externes émergentes.

Analyse des tendances du secteur : jumeaux numériques pour la simulation de tests, l'apprentissage fédéré et les systèmes de test d'auto-réparation

La convergence du ML avec d'autres technologies définit l'avenir des tests : des jumeaux numériques de composants seront utilisés pour simuler des milliards de cycles de tests virtuels dans diverses conditions, le ML étant utilisé pour analyser ces simulations et concevoir des campagnes de tests optimales et minimales dans le monde réel. Federated Learning permettra à plusieurs fournisseurs ou départements d'améliorer de manière collaborative les modèles de test ML sans partager de données brutes exclusives, améliorant ainsi les références de qualité à l'échelle du secteur. À terme, nous assisterons à l'essor des systèmes de test à auto-réparation et à auto-optimisation , dans lesquels le ML analyse non seulement les résultats des tests, mais ajuste également les paramètres de l'équipement de test en temps réel pour obtenir les données les plus informatives ou compenser la dérive du capteur.

Foire aux questions (FAQ) pour les responsables de la qualité et des achats