Diagnostic automatisé en environnement de production à faible volume et haute complexité

Résumé

Les impératifs commerciaux ayant déplacé la production de cartes électroniques à grand volume vers l’Asie, les fabricants nord-américains n’ont d’autre choix que de se positionner dans les créneaux plus difficiles de la production à bas volume, de systèmes plus complexes, dits « Low-Volume, High-Mix » (LVHM). Ces produits souvent destinés aux secteurs industriel, médical ou militaire intègrent des dispositifs dispendieux et leur coût unitaire justifie le déploiement d’un effort de diagnostic et de réparation important lors de la détection d’une défectuosité pendant la production. Bien que l’automatisation du diagnostic soit souhaitable, le faible volume limite la quantité de données disponibles et rend impraticables les techniques d’apprentissage machine conventionnelles. Cette thèse propose une nouvelle approche basée sur la modélisation des connaissances et le raisonnement par cas pour le diagnostic automatisé de cartes de circuits imprimés adapté à l’environnement de production LVHM. Notre approche hybride, dont l’efficacité a été démontrée à l’aide d’un prototype que nous avons développé, permet de surmonter le goulot d’étranglement de l’acquisition des connaissances (knowledge acquisition bottleneck) malgré le fait qu’un environnement pauvre en données soit ciblé. L’approche proposée ne nécessite pas la contribution des concepteurs ou d’experts du produit et est conçue pour opérer uniquement avec l’information disponible lors de la fabrication. Notre approche repose sur l’utilisation d’un système raisonnant accumulant de l’expérience jumelé à un dépôt de connaissances du produit et du domaine. Afin d’accélérer l’acquisition d’expérience sur un nouveau produit, nous procédons à la génération de cas synthétiques à l’aide d’un émulateur de carte au niveau boundary scan branché à l’équipement de test utilisé en production. Les résultats de nos essais démontrent que ces cas synthétiques permettent au système diagnostic de détecter, localiser et classer toutes les pannes simples ainsi que les pannes multiples touchant jusqu’à trois nœuds voisins avec un meilleur taux de succès que l’outil commercial de référence. De plus, les données de la base de cas, incluant les informations de disposition physique des cartes (board layout) ainsi que les rétroactions de l’utilisateur après chaque réparation sont utilisées pour alimenter un système recommandeur chargé de faire l’analyse des causes racines des défectuosités pour identifier le composant fautif et proposer une réparation. Un simulateur de données de production et de réparation est décrit et intégré au prototype pour faire la vérification du système recommandeur, dont la performance est évaluée. Les résultats obtenus sont prometteurs et permettent d’envisager l’utilisation du système proposé dans un environnement commercial.

Date	16 sept. 2022
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Claude Thibeault (Directeur(-trice))