Vers la mise en œuvre d'un outil AutoML pour la production

Towards an implementation of an AutoML tool for manufacturing

• Auteur / Autrice : Alexander Gerling
• Direction : Djafar Ould Abdeslam
• Type : Thèse de doctorat
• Discipline(s) : Electronique, électrotechnique, automatique
• Date : Soutenance le 08/07/2022
• Etablissement(s) : Mulhouse
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique, Mathématiques, Automatique et Signal (Mulhouse) - Institut de Recherche en Informatique Mathématiques Automatique Signal - IRIMAS - UR 7499 / IRIMAS

Mots clés

Mots clés contrôlés

Mesure

Coût-efficacité

Procédés de fabrication -- Automatisation

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Apprentissage automatique des machines

Fabrication

Comparaison des algorithmes

Mesure basée sur les coûts

Modèle de processus de référence

Sélection du filtre de caractéristiques

Comparaison de la visualisation

Machine learning

Automatic machine learning

Manufacturing

Algorithm comparison

Cost-based measurement

Reference Process Model (RPM)

Feature filter selection

Comparison of visualization

Résumé

Dans cette thèse, un outil d'apprentissage automatique (AutoML) pour la production est présenté. Il permet d'identifier les erreurs au début du processus de production. Ceci est particulièrement intéressant pour les ingénieurs qualité afin de les aider dans leur travail quotidien. L'objectif est de travailler à une solution de bout en bout pour l'ingénieur qualité. L'ingénieur qualité a ainsi la possibilité d'utiliser les techniques d'apprentissage automatique (ML) de manière simple. De plus, l'outil est capable de fournir des statistiques et des visualisations pertinentes pour trouver l'origine d'une erreur de produit. Pour ce faire, les exigences et les acteurs d'un tel outil ont été identifiés. Ils ont été intégrés dans le processus actuel d'analyse des erreurs. De plus, les tâches des acteurs se sont déplacées vers la création d'un outil qui peut être utilisé par des non-experts dans le domaine du ML. A partir des exigences, une comparaison d'algorithmes a été conduite pour évaluer la performance de l'outil AutoML. En outre, des méthodes de sélection des caractéristiques ont été évaluées afin de réduire la dimension élevée des données de production. Pour la comparaison d'algorithmes et des méthodes de sélection des caractéristiques, une métrique basée sur les coûts créée par l'auteur, appelée taux de bénéfice attendu (EBR), a été utilisée pour adapter les différents coûts de la chaîne de production et des différents produits. Pour aider à identifier l'origine d'une erreur, différentes méthodes de visualisation ont été évaluées. Ces visualisations ont été adaptées aux besoins d'un ingénieur qualité pour l'analyse des erreurs. Ce rôle d'utilisateur est également pris en compte pour définir les connaissances du domaine pour un produit, qui seront utilisées par l'outil AutoML. Sur la base de ces informations, d'autres fonctionnalités spécifiques au produit seront dérivées. Pour vérifier l'utilisation d'un outil AutoML pour la production, cinq cas réels ont pu être identifiés et ont été décrits en détail. La combinaison d'un outil AutoML facile d’utilisation et les connaissances du domaine d'un expert conduit à l’amélioration et à l'identification des erreurs dans les données.

In this thesis, an Automated Machine Learning (AutoML) tool for manufacturing is presented. It helps to identify errors early in the production process. This is particularly interesting for quality engineers to aid them in their daily work. The purpose is to work towards an end-to-end solution for the quality engineer. This gives the quality engineer the possibility to use Machine Learning (ML) techniques in an uncomplicated way. Further, the tool is capable of providing relevant statistics and visualizations to find the origin of a product error. To do so, the requirements and actors for such a tool were identified. These were integrated into the current as-is process for error analysis. Further, the tasks of the actors have shifted to create a tool, that can be used by non-experts in the field of ML. Considering these aspects, the to-be process has emerged, which will be presented later in this work. Derived from the requirements, an algorithm comparison was held to evaluate the performance of the AutoML tool. In addition, feature selection methods were evaluated to reduce the high dimension of manufacturing data. Within the algorithm comparison and the feature selection methods, a self-created cost-based metric named Expected Benefit Rate (EBR) was used to adapt various costs in the production line and for different products. To help to identify the origin of an error origin, various visualizations methods were evaluated. These visualizations were adjusted to the needs of a quality engineer for the error analysis. This user role is also held in account to define the domain knowledge for a product, which will be used by the AutoML tool. Based on this information, further product specific features will be derived. To verify the use of an AutoML tool for manufacturing, five real-world cases could be identified and were described in detail. Within these cases, the combination of an easy-to-use AutoML tool and domain knowledge of an expert led to improvement and respectively identification of an error from the data.