Thèse soutenue

Méthode d'analyse de données pour le diagnostic a posteriori de défauts de production - Application au secteur de la microélectronique

FR  |  
EN
Auteur / Autrice : Hasna Yahyaoui
Direction : Xavier Boucher
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 21/10/2015
Etablissement(s) : Saint-Etienne, EMSE
Ecole(s) doctorale(s) : ED SIS 488
Partenaire(s) de recherche : Entreprise : STMicroelectronics
Laboratoire : Département Performance Industrielle et Environnementale des Systèmes et des Organisations
Jury : Président / Présidente : Djamel Abdelkader Zighed
Examinateurs / Examinatrices : Xavier Boucher, Djamel Abdelkader Zighed, Philippe Lenca, Eric Bonjour, Rodolphe Le Riche, Philippe Beaune, Hugues Duverneuil, Haytham Elghazel
Rapporteurs / Rapporteuses : Philippe Lenca, Eric Bonjour

Résumé

FR  |  
EN

La maîtrise du rendement d’un site de fabrication et l’identification rapide des causes de perte de qualité restent un défi quotidien pour les industriels, qui font face à une concurrence continue. Dans ce cadre, cette thèse a pour ambition de proposer une démarche d’analyse permettant l’identification rapide de l’origine d’un défaut, à travers l’exploitation d’un maximum des données disponibles grâce aux outils de contrôle qualité, tel que la FDC, la métrologie, les tests paramétriques PT, et le tri électriques EWS. Nous avons proposé une nouvelle méthode hybride de fouille de données, nommée CLARIF, qui combine trois méthodes de fouille de données à savoir, le clustering, les règles d’association et l’induction d’arbres de décision. Cette méthode se base sur la génération non supervisée d’un ensemble de modes de production potentiellement problématiques, qui sont caractérisés par des conditions particulières de production. Elle permet, donc, une analyse qui descend au niveau des paramètres de fonctionnement des équipements. L’originalité de la méthode consiste dans (1) une étape de prétraitement pour l’identification de motifs spatiaux à partir des données de contrôle, (2) la génération non supervisée de modes de production candidats pour expliquer le défaut. Nous optimisons la génération des règles d’association à travers la proposition de l’algorithme ARCI, qui est une adaptation du célèbre algorithme de fouille de règles d’association, APRIORI, afin de permettre d’intégrer les contraintes spécifiques à la problématique de CLARIF, et des indicateurs de qualité de filtrage des règles à identifier, à savoir la confiance, la contribution et la complexité. Finalement, nous avons défini un processus d’Extraction de Connaissances à partir des Données, ECD permettant de guider l’utilisateur dans l’application de CLARIF pour expliquer une perte de qualité locale ou globale.