Analyse comparative d'algorithmes intelligents en reconnaissance de motifs sur cartes de contrôle

Résumé

Le contrôle statistique des procédés est un moyen pour les entreprises d’augmenter leurs profits en réduisant les défauts de fabrication. L’outil de base du contrôle statistique des procédés est la carte de contrôle. Elle permet de déterminer si un procédé est en contrôle ou non et si des actions correctives doivent être prises. Elle permet aussi de détecter la présence de motifs non naturels. Chaque motif non naturel possède une ou plusieurs causes assignables. En l’absence de rétroaction, les causes assignables peuvent mener à une augmentation du nombre de pièces défectueuses. La lecture des cartes de contrôle doit être faite par des experts, car les motifs sont parfois difficiles à distinguer du bruit statistique et sont parfois mélangés. Pugh (1989) introduit l’utilisation des réseaux de neurones artificiels pour automatiser la des cartes de contrôle. Dans les années qui suivent, plusieurs autres algorithmes d’apprentissage machine sont utilisés avec des résultats qui varient d’une étude à l’autre. Le problème est que le protocole expérimental, la source des données et les détails des algorithmes sont souvent manquants. Cette recherche fait la comparaison entre les algorithmes d’apprentissage machine les plus utilisés en reconnaissance de motifs sur cartes de contrôle : les arbres décisionnels, les forêts aléatoires, les machines à vecteurs de support et les réseaux de neurones artificiels. En plus de donner des résultats accompagnés d’intervalles de confiance, cette recherche fournit un protocole expérimental clair ainsi que les données et les paramètres algorithmiques utilisés. L’adresse web d’un dépôt Git qui contient tout le code utilisé est donnée dans les appendices.

Date	21 mars 2019
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Alain April (Directeur(-trice))