Contrôle qualité par intelligence artificielle avec l'excitation par impulsion

Des seuils fixes au tri intelligent

Le contrôle qualité par excitation par impulsion fonctionne de la même manière depuis des décennies : comparer la fréquence de résonance et l’amortissement de chaque pièce à des seuils d’acceptation/rejet fixes. Les pièces à l’intérieur de la fenêtre passent. Les pièces à l’extérieur sont rejetées.

Les seuils fixes ont un angle mort. Un seul seuil de fréquence ne peut pas déterminer si une pièce se situe hors de la fenêtre en raison d’une variation normale du lot ou d’un véritable défaut. Lorsque les conditions de production dérivent (usure des outils, changements de lots de matières premières, variations de température du four), les opérateurs doivent élargir les seuils pour maintenir un taux de faux rejets acceptable. Des seuils plus larges laissent passer davantage de pièces limites.

Point clé : Les modèles d’apprentissage automatique entraînés sur des spectres de résonance complets classifient les types de défauts et s’adaptent à la dérive de production, faisant passer l’excitation par impulsion d’un tri binaire accepté/rejeté à un tri intelligent.

Les modèles ML analysent la signature de résonance complète : tous les modes de vibration, leurs amplitudes relatives, l’amortissement pour chaque mode et la forme spectrale globale. Des motifs qu’un seuil unique ne détecterait pas deviennent classifiables.

Ce que l’IA apporte à l’excitation par impulsion

Classification des défauts

Une pièce fissurée et une pièce poreuse présentent toutes deux un amortissement anormal. Un seuil rejette les deux sans distinction. Un classificateur entraîné les sépare. La porosité affecte tous les modes uniformément. Une fissure crée des pics d’amortissement spécifiques à certains modes selon sa position par rapport aux lignes nodales.

Cette distinction alimente directement le contrôle de processus. Les pièces rejetées pour porosité pointent vers l’atmosphère du four ou la qualité de la poudre. Les pièces rejetées pour fissuration pointent vers le stress thermique ou la force d’éjection. La décision de tri devient diagnostique.

Seuils adaptatifs

Les propriétés des matières premières varient entre les fournisseurs. L’outillage s’use progressivement. Les conditions du four évoluent au cours d’une campagne. Les seuils fixes définis lors de la configuration initiale doivent tenir compte de toute cette variation, ce qui signifie qu’ils sont définis de manière conservatrice, ce qui signifie qu’ils sur-rejettent.

Les modèles ML entraînés sur des données de production labellisées apprennent à quoi ressemble la variation normale. Les frontières de décision suivent l’état du processus et se resserrent là où les données le permettent.

Qualité prédictive

Avec des données historiques reliant les signatures de résonance aux résultats en aval (essais de résistance, retours clients, défaillances en service), les modèles prédisent non seulement si une pièce est conforme à la spécification actuelle, mais comment elle se comportera en service. Les pièces proches du bord de la population acceptable sont signalées pour une inspection supplémentaire ou orientées vers des applications moins exigeantes.

La base de données

Chaque mesure par excitation par impulsion produit un jeu de données structuré et reproductible en quelques millisecondes :

• Fréquence de résonance en flexion (indicateur du module de Young)
• Fréquence de résonance en torsion (indicateur du module de cisaillement)
• Valeurs d’amortissement pour chaque mode (sensibilité aux défauts)
• Spectre fréquentiel complet (formes modales, harmoniques, pics parasites)
• Masse et dimensions de la pièce (calcul de la densité)

Les données sont numériques, peu bruitées et suffisamment riches pour le ML sans être encombrantes. Une ligne de production générant plus de 1 000 mesures par heure accumule plus de 8 000 exemples labellisés par poste.

L’inspection visuelle par IA nécessite des caméras coûteuses, un éclairage contrôlé et d’immenses jeux de données d’images. L’analyse vibratoire sur les machines tournantes traite des signaux non stationnaires et de la contamination environnementale. Les données d’excitation par impulsion arrivent propres : la mesure est contrôlée, reproductible et basée sur la physique.

Domaines d’application

Transmission automobile

Les composants en fonte, les engrenages frittés et les bielles sont produits en volumes où l’inspection à 100 % est obligatoire et où les coûts de faux rejets se mesurent par poste. L’excitation par impulsion améliorée par ML sépare la variation acceptable de coulée des véritables défauts de nodularité dans la fonte ductile, ou distingue un frittage incomplet d’une variation de densité dans les pièces en métallurgie des poudres.

Fabrication additive

Les pièces AM présentent des défauts spécifiques au procédé (manque de fusion, porosité en trou de serrure, contraintes résiduelles) qui produisent des signatures de résonance différentes de celles des défauts de coulée ou de forgeage. Les modèles entraînés sur des données spécifiques à l’AM apprennent ces motifs. À mesure que la production AM passe du prototypage à la production en série, le contrôle automatisé par résonance résout le goulot d’étranglement qualité.

Céramiques et composants techniques

Un seul défaut non détecté dans une pièce céramique signifie une défaillance catastrophique. Les modèles ML entraînés sur des données de résonance céramique distinguent les niveaux de porosité acceptables des sites d’initiation de fissures critiques. Les seuils d’amortissement fixes gèrent mal cela car les plages d’amortissement acceptables varient selon la géométrie de la pièce et la nuance du matériau.

Plaquettes de frein et matériaux de friction

SAE J2598 impose déjà les essais de résonance pour les plaquettes de frein. Le ML étend cela des essais de conformité à la classification prédictive NVH : corréler les signatures de résonance des plaquettes avec la propension au crissement sur véhicule avant que la plaquette n’atteigne un essieu.

Vers l’intégration de l’IA

Les organisations utilisant déjà l’excitation par impulsion sur leurs lignes de production ont fait le plus difficile. L’infrastructure de mesure est en place et génère des données.

Commencez par enregistrer les spectres de résonance complets parallèlement aux décisions accepté/rejeté et aux résultats qualité en aval. Ce jeu de données labellisé devient la base d’entraînement. Les modèles pilotes fonctionnent en mode fantôme parallèlement aux seuils existants, prouvant leur valeur avant de prendre le relais.

Le système en ligne et la station de mesure GrindoSonic capturent le spectre de résonance complet à la vitesse de production. Six décennies de perfectionnement de la physique de mesure ont produit les données stables et reproductibles que le ML exige.