Approche basée sur l'apprentissage automatique pour identifier les points faibles dans la fabrication de disjoncteurs.

Générer des informations exploitables pour améliorer le processus de fabrication des disjoncteurs grâce à l'extraction de données liées à la fabrication.

Détecter les problèmes dans le processus de fabrication qui conduisent à une défaillance précoce des disjoncteurs grâce à l'exploration de données liées au processus de fabrication.

Les disjoncteurs haute tension sont un composant essentiel d'un circuit électrique. Ils ont une durée de vie normale de 30 à 40 ans. Cependant, pour diverses raisons, certains disjoncteurs tombent en panne dans les 0 à 5 ans suivant le fonctionnement. Un fabricant de ces disjoncteurs dispose de nombreuses données relatives à la fabrication. Ces données comprennent des informations sur la taille du lot de production, le matériau de production, les tensions de conception des sous-composants, les tensions des éléments chauffants, la date de défaillance, etc. plusieurs années. Le fabricant souhaite savoir s'il existe des points faibles dans le processus de fabrication qui entraînent des taux d'échec plus élevés. Les disjoncteurs échouent non seulement en raison de défauts de fabrication, mais également en raison d'un fonctionnement incorrect du disjoncteur sur le terrain, par exemple en appliquant des tensions supérieures aux valeurs de conception. Cependant, les données opérationnelles des disjoncteurs n'étaient pas conservées chez le fabricant. Par conséquent, le principal défi de ce projet était la découverte de connaissances avec un ensemble de données partiel à l'aide d'algorithmes d'apprentissage automatique. Les scientifiques des données ont appliqué divers algorithmes d'apprentissage automatique tels que l'arbre de décision, la forêt aléatoire, la machine à vecteurs de support, le classificateur Na�ve Bayes, la régression logistique et le réseau de neurones, et ont comparé les résultats d'un algorithme par rapport aux autres algorithmes. Grâce à de multiples expérimentations numériques sur la sélection des données et le réglage des hyperparamètres des algorithmes, l'équipe de scientifiques des données a sélectionné les meilleurs algorithmes et déduit les principaux points faibles du processus de fabrication qui sont généralement associés à des taux d'échec élevés. En conclusion, les travaux ont fourni un ensemble de cinq règles actionnables où les taux d'échec ont bondi de 0,2 % à 7 %, entraînant une probabilité d'échec 35 fois plus élevée.