La qualité prédictive en production

Qu'est-ce que la qualité prédictive dans le test de production

La qualité prédictive utilise les données de test historiques et les données de processus pour anticiper les défauts avant qu'ils ne surviennent. Au lieu de détecter les unités défectueuses au test de fin de ligne, la qualité prédictive identifie les conditions qui produisent des unités défectueuses et les signale plus tôt dans le processus. Ce guide explique comment fonctionne la qualité prédictive, quelles données elle nécessite et comment les résultats de test structurés alimentent les modèles de prédiction.

Qualité réactive vs prédictive

Approche	Quand les défauts sont détectés	Coût
Réactive (inspecter et rejeter)	Après la fabrication de l'unité	Élevé (rebut, reprise, retours terrain)
Statistique (SPC)	Quand un processus dérive hors contrôle	Moyen (détecte les tendances, pas les unités individuelles)
Prédictive (basée sur le ML)	Avant que le défaut ne survienne	Faible (empêche la fabrication d'unités défectueuses)

Le contrôle qualité traditionnel détecte les défauts après qu'ils se sont produits. Le SPC détecte les tendances avant qu'elles ne produisent des défauts. La qualité prédictive va plus loin : elle utilise des patterns dans les données amont pour prédire quelles unités ou lots spécifiques échoueront aux tests en aval.

Comment fonctionne la qualité prédictive

L'idée centrale : les données de test amont contiennent des signaux corrélés aux défaillances en aval.

Étape	Ce qui se passe
1. Collecter les données	Chaque mesure, à chaque étape de test, pour chaque unité
2. Trouver les corrélations	Les modèles ML identifient quelles mesures amont prédisent les défaillances en aval
3. Construire le modèle de prédiction	Entraîner un modèle sur les données historiques passe/échoue avec les variables amont
4. Déployer en ligne	Exécuter les prédictions sur les données de test en direct au fil de la production
5. Agir sur les prédictions	Signaler les unités à haut risque pour inspection supplémentaire ou les orienter vers la reprise

Exemple

Une alimentation échoue au test d'ondulation de sortie en fin de ligne. L'analyse des données historiques montre que les unités dont l'ESR du condensateur d'entrée dépasse 45 milliohms au contrôle d'entrée ont 8 fois plus de chances d'échouer au test d'ondulation. Un modèle prédictif signale ces unités au CQE avant leur assemblage.

Quelles données alimentent la qualité prédictive

Source de données	Ce qu'elle fournit	Étape
Qualité d'entrée (IQC)	Mesures des composants, données de lot fournisseur	Avant assemblage
Qualité en cours de production (IPQC)	Volume de pâte SPI, comptage de défauts AOI, profil de refusion	Pendant l'assemblage
Test fonctionnel (FCT)	Mesures électriques avec limites	Après assemblage
Test de fin de ligne (EOL)	Résultat final passe/échoue, valeurs de mesure	Avant expédition
Données environnementales	Température, humidité sur le site de production	Continu
Données équipement	Nombre de cycles du montage, ancienneté de la calibration des instruments	Continu

Plus vos données de test sont structurées, meilleures sont les prédictions. Les mesures avec unités, limites et traçabilité par numéro de série constituent la base.

Cas d'utilisation de la qualité prédictive

Cas d'utilisation	Données d'entrée	Prédiction	Bénéfice
Saut de test	Mesures amont	L'unité réussira le test en aval	Réduction de 10-50 % du temps de test
Alerte précoce	Tendances du processus	Le lot aura un taux d'échec élevé	Détection avant la fabrication du lot complet
Qualité fournisseur	Mesures IQC par fournisseur	Le lot causera des défaillances en aval	Rejet des lots à la réception
Optimisation des limites	Distributions des mesures	Les limites actuelles sont trop larges ou trop serrées	Réduction des faux échecs et des échappements
Prédiction des défaillances terrain	Données de test de production	L'unité tombera en panne pendant la période de garantie	Resserrer les limites ou ajouter un screening

Prérequis

Python 3.10+
OpenHTF installé (pip install openhtf)
SDK Python TofuPilot installé (pip install tofupilot)

Étape 1 : Capturer des données de test structurées

La qualité prédictive commence par des données de test propres et cohérentes. Chaque mesure nécessite un nom, une valeur, une unité et des limites.

production_test.py

import openhtf as htf
from openhtf.util import units


@htf.measures(
    htf.Measurement("input_capacitor_esr_mOhm")
    .in_range(maximum=50)
    .with_units(units.OHM),
    htf.Measurement("output_ripple_mV")
    .in_range(maximum=30)
    .with_units(units.MILLIVOLT),
    htf.Measurement("efficiency_percent")
    .in_range(minimum=90)
    .with_units(units.PERCENT),
)
def phase_electrical_test(test):
    """Capturer les mesures qui alimentent les modèles prédictifs."""
    test.measurements.input_capacitor_esr_mOhm = 38.2
    test.measurements.output_ripple_mV = 22.1
    test.measurements.efficiency_percent = 93.4

Étape 2 : Tout enregistrer dans TofuPilot

Chaque exécution est envoyée à TofuPilot avec le numéro de série, les mesures, les limites et le statut passe/échoue. Ces données structurées sont ce dont les modèles prédictifs ont besoin.

production_test.py

from tofupilot.openhtf import TofuPilot

test = htf.Test(phase_electrical_test)

with TofuPilot(test):
    test.execute(test_start=lambda: input("Scanner le numéro de série : "))

Étape 3 : Utiliser les données TofuPilot pour l'analyse

TofuPilot suit les distributions de mesures, les corrélations et les tendances à travers toutes les étapes de test. Ouvrez l'onglet Analytique pour identifier :

Corrélations de mesures entre les tests amont et aval
Patterns de défaillance par lot fournisseur, station ou période
Décalages de distribution qui précèdent les augmentations du taux d'échec
Résultats marginaux qui prédisent les défaillances futures

Ces données sont le point de départ pour construire des modèles prédictifs. Le format structuré (mesures avec unités, limites et traçabilité par numéro de série) élimine l'étape de nettoyage des données qui consomme typiquement 80 % du temps d'un projet ML.

Qualité prédictive vs qualité traditionnelle

Aspect	Traditionnelle	Prédictive
Quand les défauts sont détectés	Après qu'ils se produisent	Avant qu'ils ne se produisent
Stratégie de test	Tester tout de la même manière	Adapter les tests en fonction du risque
Utilisation des données	Rapports de conformité	Prise de décision en temps réel
Définition des limites	D'après la fiche technique ou le jugement de l'ingénieur	D'après les données de production et les modèles ML
Mesure du ROI	Réduction du taux de défauts	Coûts évités (rebut évité, tests ignorés)

Pour commencer

La qualité prédictive ne nécessite pas une infrastructure ML massive dès le premier jour. La progression est :

Niveau	Ce que vous faites	Ce dont vous avez besoin
1. Collecter	Enregistrer toutes les mesures avec unités et limites	OpenHTF + TofuPilot
2. Visualiser	Examiner les distributions, corrélations et tendances	TofuPilot Analytique
3. Corréler	Identifier les prédicteurs amont des défaillances aval	Exporter les données, effectuer une analyse de corrélation
4. Prédire	Construire et déployer des modèles ML sur les données en direct	Équipe data science + données de production
5. Automatiser	Agir sur les prédictions en ligne (ignorer des tests, signaler des unités)	Infrastructure de déploiement de modèles

La plupart des équipes tirent une valeur significative des niveaux 1-3 seuls. La simple visualisation de la corrélation entre les mesures des composants entrants et les défaillances en fin de ligne révèle des informations exploitables sans construire aucun modèle ML.