Aller au menu Aller au contenu
Système d’Information, conception RobustE des Produits
Laboratoire des Sciences pour la Conception, l'Optimisation et la Production de Grenoble
Système d’Information, conception RobustE des Produits

> GSCOP_Recherche > GSCOP_SystèmeInformationRep

Dynamique des plans de tests industriels

Depuis les années 2000, l’amélioration des méthodes de production repose pour une large part sur le « lean manufacturing » mettant essentiellement l’accent sur l’économie des ressources mobilisées et la réduction des en-cours. Ainsi, le juste à temps s’appuie sur la mise en place d’un temps TAKT, cadençant l’ensemble du système productif, le lissage des durées d’activité (heijunka), l’alimentation en flux continu en pièce à pièce (en anglais one-piece flow), le flux tiré par la demande aval, le changement rapide des outillages (SMED), l'intégration de la logistique. Les certifications qualité, comme l’ISO 9000, tendent à garantir pour le client le respect des procédures et processus, ainsi que des plans de tests. Or l’industrie du XXIème siècle, à l’ère du « développement durable », ne pourra tolérer aucun écart à quelque étape du process par rapport aux spécifications qualité (non conformités), ne permettra aucune « retouche » sur les produits (do right the first time), et devra mobiliser toutes ses ressources informationnelles pour la prévention de tels problèmes [Fie 14]. Dans ce contexte, l’accent devrait être mis sur des principes moins médiatisés du lean manufacturing comme, les méthodes d'élimination des causes d'erreur (poka yoke), les méthodes d'analyse de problème (« Cinq pourquoi », roue de Deming, 8D), la ré-ingénierie des équipements de production. La détection d’éventuelles non-conformités devrait être un souci constant afin de pouvoir y apporter des remèdes pérennes cités ci-dessus : poka yoke, analyse de problème, réingénierie.

      Paradoxalement, les exemples de non conformités ayant conduit à des rappels massifs (Toyota, Mercedes par exemple) ne manquent pas. La réputation d’une société comme Apple en terme de qualité de ses produits n’est plus à faire ; néanmoins en février 2014, un bug majeur de sécurité affectant les connections réseaux a été mis en évidence. Identifié comme le « goto fail » bug, cette non-conformité avait échappé à toutes les méthodes qualité internes lors de la production, alors qu’un simple test statique met en évidence l’anomalie !

La question de la détection, du judicieux traitement et de la prévention des non-conformités est donc clairement posée, ses enjeux mieux reconnus. En s’appuyant sur notre expérience chez ST Microelectronics et chez d’autres industriels, nous pensons que des processus de tests mieux adaptés, des plans d’action mieux formalisés appuyés sur des systèmes d’information adéquats peuvent apporter des réponses innovantes à ces questions : cette hypothèse mériterait d’être expérimentée par un programme de recherche, associant plusieurs partenaires de secteurs industriels diversifiés. Dans certaines industries, la collecte d’information sur le process ne pose aujourd’hui guère de problèmes techniques et constitue un standard qualité et MES ; néanmoins, dans tous les cas, l’allocation de « ressources d’inspection » se doit d’apporter une réelle valeur ajoutée, de façon immédiate par une garantie de conformité ou de façon différée en améliorant la connaissance sur les capabilités opérationnelles du process; au-delà de la décision de mesurer, c’est aussi l’abondance des données collectées qui nécessitent filtrage et consolidation, associée à une gestion de l’obsolescence progressive de l’information.

Cette problématique n’est pas propre à la microélectronique ou à l’aéronautique: dans l’automobile, le cycle moyen de développement de nouveaux produits est passé, en 15 ans, de 48 mois à 28 mois, avec des gains en qualité, coûts et performances énergétiques. Néanmoins, les progrès dans les innovations d’ingénierie sont largement méconnus. Certaines erreurs très médiatisées, imputables aux outils de développement ou à leurs usages, militent pour une meilleure organisation des processus d’innovation d’ingénierie, afin de qualifier les améliorations de façon fiable. Par exemple, la perte de la sonde martienne Mars Climate Orbiter le 23 septembre 1999 a mis en évidence un manque de formalisation dans les processus de transfert de données entre des partenaires du projet.

          Notre projet vise à définir, dans des environnements de production multiproduits, des méthodes de test optimales en cours de production, en optimisant l’engagement des ressources (machines, appareillages) dédiées aux activités de qualification sur produits et process [Bet 12a] [Bet 12b].

1.         Dynamique des plans de test en vue de maitriser les risques de pertes massives dans le domaine du semi conducteur

     Les procédés de fabrication des produits semi-conducteurs sont très longs et complexes, nécessitant parfois plusieurs centaines d’étapes pour produire le produit final (la puce) ; la durée de production peut ainsi parfois dépasser deux mois. Dans ce contexte, la détection précoce des dérives que ce soit au  niveau des produits comme des machines est très importante afin d'éviter des pertes potentielles massives [Sha 11]. La métrologie et les tests sont donc des étapes clé, mais couteuses en temps et en argent dans la fabrication.

     Or alors qu'un taux de contrôle à 100% des produits serait idéal en théorie, le coût des appareils de métrologie et les pertes en temps de cycle dues aux mesures écartent définitivement une telle approche. D'autre part, le fait de court-circuiter certaines mesures est risqué pour l'assurance de la qualité et la fiabilité des machines de traitement. Compte tenu des nombreux produits différents qui sont simultanément en cours de production, un plan de contrôle toujours identique pour chaque famille de produits n’est pas non plus réaliste. Le but de cet article [Sah 14] est de définir un plan de contrôle de la qualité optimisé qui réduit les ressources de contrôle requises, tout en maintenant un bon niveau de confiance dans les contrôles de qualité et les performances des équipements. La méthode adoptée dans cette recherche est d'employer un algorithme génétique multi-objectif pour définir le plan de contrôle optimisé en mesure de réduire la capacité de métrologie utilisée sans augmenter le niveau de risque de défaillance massive. Les premiers résultats basés sur un mois de calcul réel de données historiques révèlent une réaffectation possible des contrôles avec une diminution de plus de 15% de la capacité de la métrologie, tout en réduisant également le niveau de risque sur les machines de traitement (exprimé par la tranche à risque ()) de 30%.

2.         Optimisation de la dynamique des Systèmes d’information afin de baser les décisions sur des inférences bayésiennes dans le domaine du semi conducteur

    L’utilisation d’analyses de risques de type AMDEC, basée sur les dires d’experts a montré ses limites lors de sa confrontation au comportement réel d’un système de production [Bas 11]. De plus aussi bien l’existence de risques aux causes identifiées que la probabilité des événements doivent être régulièrement mises à jour afin de prendre en compte les événements encourus dans le système. L’identification des causes à partir des conséquences peut tirer un grand bénéfice de l’usage du réseau probabiliste bayésien [Ben 14]. L’expérimentation industrielle de tels concepts nécessite de nouveaux systèmes d’information dédiés qui doivent eux-mêmes faire l’objet de recherche.

References

[Sah 14]  Sahnoun M., Bettayeb B., Bassetto S., Tollenaere M., “Simulation-based optimization of sampling plans to reduce inspections while mastering the risk exposure in semiconductor manufacturing”, Journal of Intelligent Manufacturing Springer, Accepted on the 30 july 2014.  DOI: 10.1007/s10845-014-0956-x

[Fie 14]   Fiegenwald V., Bassetto S., Tollenaere M. “Controlling non-conformities propagation in manufacturing” -- International Journal of Production Research, Published online: 18 Jun 2013 DOI: 10.1080/00207543.2013.783244, Volume 52, Issue 14, 2014

[Ben 14]  Ben Said A., Shahzad M-K, Zamai E., Hubac S. and Tollenaere M., “A Bayesian Network based approach to improve the effectiveness of maintenance actions in Semi-conductor industry”, 2nd European conference of the prognostics and health management society, July 8-10, 2014, Nantes

[IMP 13]  FP7 project “IMPROVE” final delivrables ( http://www.eniac-improve.eu/index.php?id=152 )

[Bet 12a]  Bettayeb B., Bassetto S., Vialletelle Ph., Tollenaere M.  "Quality and Exposure Control in Semiconductor Manufacturing – Part I: Modelling"  -- International Journal of Production Research  Volume 50, Issue 23, 2012 pp 6835-6851

[Bet 12b]  Bettayeb B., Bassetto S., Vialletelle Ph., Tollenaere M.  "Quality and Exposure Control in Semiconductor Manufacturing – Part II: Evaluation" -- International Journal of Production Research  Volume 50, Issue 23, 2012 pp 6852-6869.

[Bas 11]   Bassetto S., Siadat A., Tollenaere M., “The management of process control deployment using interactions in risks analyses”, Journal of Loss Prevention in the Process Industries, volume 24, Issue 4, (July 2011) pages 458-465

[Sah 11]   Sahnoun M., Bassetto S., Tollenaere M., Vialletelle P., Bastoini S., “Optimisation of the process control in a semiconductor company: model and case study of defectivity sampling” International Journal of Production Research Vol. 49, No. 13 (2011) 3873-3890

Rédigé par Jean Bigeon

mise à jour le 25 février 2015

  • Tutelle CNRS
  • Tutelle Grenoble INP
  • Université Joseph Fourier
  • Tutelle UMR
Communauté Université Grenoble Alpes