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

Pichette, Simon (2022). Diagnostic automatisé en environnement de production à faible volume et haute complexité. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (12MB) | Prévisualisation

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.

Titre traduit

Automated diagnostic in a low-volume, high-mix production environment

Résumé traduit

Commercial pressures having resulted in the transfer of most high-volume printed circuit board assembly operations to Asia, remaining North-American manufacturers have had little choice but to reposition themselves in the more difficult market segment of lower volume, higher complexity products, also called Low-Volume, High-Mix (LVHM).

These products, commonly targeted to the industrial, medical or military sectors, integrate expensive components and their high unit costs justify substantial diagnosis and repair efforts when defects are detected in production. Although automated diagnostics is desirable, the low production volumes impose severe limits on available data and make conventional machine learning techniques impractical.

In this thesis, we propose a novel approach based on knowledge modeling and case-based reasoning for automated diagnosis of printed circuit boards in an LVHM production environment. Our hybrid approach, whose effectiveness we have demonstrated using a prototype we developed, can overcome the knowledge-acquisition bottleneck even though it is targeting a data-poor environment. The proposed approach does not require a contribution from product designer or experts and is designed to operate using information available during manufacturing only.

Our approach is based on using a reasoning system to accumulate experience coupled with a repository of domain and product knowledge. In order to accelerate the acquisition of experience on a new product, we generate synthetic cases using a boundary-scan level board emulator connected to the same test equipment used on the real board in production. Our test results demonstrate that these synthetic cases allow our diagnostic system to detect, locate and classify all single faults and multiple faults affecting up to three neighboring nodes with a better success rate than the reference commercial tool.

Moreover, case base data, including board layout information and user feedback from previous repairs, are used to feed a recommender system tasked with performing root-cause analysis to identify faulty components and suggest repairs. A production and repair data simulator is described and integrated with our prototype system in order to verify functionality of the recommender system and evaluate its effectiveness. Results are promising and allow us to consider using the proposed system in a commercial environment.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 183-187).
Mots-clés libres:	diagnostique automatisé, émulation matérielle, dictionnaire de pannes, test au niveau carte, modélisation des connaissances, raisonnement par cas, test JTAG
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Thibeault, Claude
Programme:	Doctorat en génie > Génie
Date de dépôt:	27 oct. 2022 14:05
Dernière modification:	27 oct. 2022 14:05
URI:	https://espace.etsmtl.ca/id/eprint/3102

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt