La qualité shift-left en fabrication

Qu'est-ce que la qualité shift-left en fabrication

La qualité shift-left signifie déplacer la détection des défauts plus tôt dans le processus de fabrication. Plus tôt (à gauche) vous attrapez un problème, moins il coûte cher à corriger. Un défaut de composant détecté au contrôle d'entrée coûte des centimes à traiter. Le même défaut détecté sur le terrain coûte des centaines d'euros. Ce guide couvre le fonctionnement de la qualité shift-left, son coût à chaque étape et comment les données de test permettent ce décalage.

Le coût de la détection tardive des défauts

La règle du 10x est bien établie en fabrication : chaque étape où vous retardez la détection, le coût augmente d'environ un ordre de grandeur.

À quoi ressemble le shift-left

Le shift-left ne signifie pas supprimer les tests en fin de ligne. Cela signifie ajouter des points de détection plus tôt pour que moins de défauts atteignent l'étape de test finale.

L'exigence en données

La qualité shift-left nécessite des données de chaque étape. Vous ne pouvez pas corréler les mesures amont avec les défaillances aval si vous ne collectez des données qu'en fin de ligne.

Quand toutes les étapes alimentent les données dans une seule plateforme, les corrélations deviennent visibles. Vous pouvez répondre à des questions comme : « Les unités du lot 2024-47 du fournisseur A ont-elles un taux de défaillance EOL plus élevé que le lot 2024-48 du fournisseur B ? »

Prérequis

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

Étape 1 : Ajouter des points de test en amont

N'attendez pas la fin de ligne pour prendre des mesures. Ajoutez des phases de test aux étapes antérieures.

import openhtf as htf
from openhtf.util import units


@htf.measures(
    htf.Measurement("capacitor_esr_mOhm")
    .in_range(maximum=45)
    .with_units(units.OHM),
    htf.Measurement("resistance_ohm")
    .within_percent(4700, 5)
    .with_units(units.OHM),
)
def phase_iqc_check(test):
    """Contrôle de composants à l'entrée. Détecte les pièces défectueuses avant l'assemblage."""
    test.measurements.capacitor_esr_mOhm = 32.1
    test.measurements.resistance_ohm = 4720

Étape 2 : Enregistrer chaque étape dans TofuPilot

Chaque étape envoie ses résultats indépendamment. TofuPilot les relie par numéro de série ou code de lot.

from tofupilot.openhtf import TofuPilot

test = htf.Test(phase_iqc_check)

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

Étape 3 : Corréler entre les étapes

TofuPilot suit les résultats à travers toutes les étapes de test. Ouvrez l'onglet Analytics pour trouver des corrélations :

• Prédicteurs amont : quelles mesures IQC corrèlent avec les défaillances EOL ?
• Indicateurs de processus : quelles mesures SPI/AOI prédisent les défaillances au test fonctionnel ?
• Qualité fournisseur : quels fournisseurs produisent des composants avec des taux de défaillance aval plus élevés ?
• Corrélations temporelles : les défaillances ont-elles augmenté après un changement de processus spécifique ?

Ces corrélations vous indiquent où ajouter ou resserrer la détection en amont. Chaque défaut détecté plus tôt est un défaut qui n'atteint jamais la fin de ligne ou le terrain.

Niveaux de maturité shift-left

La plupart des entreprises sont au niveau 1 ou 2. Le saut du niveau 2 au niveau 3 (connecter les données entre les étapes) est le point où la qualité shift-left devient actionnable. Le niveau 4 (prédictif) est l'objectif à long terme.

Erreurs courantes

La qualité shift-left est pilotée par les données. Ajoutez la détection en amont, mesurez son efficacité avec les données aval, et itérez. L'objectif est de détecter les défauts au point le moins cher, pas de tout tester partout.