STMicroelectronics :

Moteur de règles et Machine Learning

pour la détection des failles d’exécution

dans une ligne de production industrielle complexe

Thomas BailetCTO

Guillaume Lepelletier Senior Technical Staff

Engineer

Hugues DuverneuilIT Section Manager

Automation, AMHS, APC & EDA

Le site de Crolles 2

• 60 000m² de bâtiments sur 44ha

• 20 000m² de salles blanches

• 4 000 salariés

• Production : 24h/24, 7j/7Crolles

300 mm

Crolles

200 mm

Sep 2017

Crolles 300 :

• 800 équipements organisés en ateliers

• Une usine « Full Auto »

• 100% des transports,

• 80% des planifications,

• Contrôle avancé des procédés

• Encours de production : 50 000 pièces

L’automatisation

levier de productivité

3

Tools

automatio

n Manufacturing

Execution System

Fault

Detection and

Control

Automatic

Material Handling

SystemCentralized

data storage

Advanced Process

Control

Une fabrication complexe

Un large portefeuille

• Plusieurs centaines de produits

• Plusieurs générations technologiques

• R&D en parallèle de la production

Des processus ultra sophistiqués

• Nanotechnologie

• Entre 600 et 1200 étapes par produit

• Système informatique complexe

Des investissements énormes

Et une compétition féroce !

Un outil de production complexe

• Parc machine hétérogène

• Outil de production flexible

• Transport automatisé

• Variété des compétences techniques

Les challenges industrielsEvolution du rôle de l’humain dans un système automatisé

4

Opérateur

Conducteur de machines

Alimente les machines et gère

les encours

Présence physique

dans les ateliers de production

Utilise ses 5 sens pour

analyser en continu la

situation.

Technicien

Expert domaine technique

Maintenance

Diagnostic Process

Résolution des problèmes

et des situations de blocage

Travail sur PC,

personnel statique

Patrouilles en salle,

Détection temps réel sur le terrain

et diagnostic quasi instantané

50 000 pièces

95% events OK

Ce qui était évident

Détection des blocages transitoires, des

comportements anormaux

Devient compliqué

Comment alors garantir la productivité

de l’unité de fabrication 7j/7 - 365j/an ?

Fab SupervisionHistoriquement

5

Avec la Fab SupervisionSurveillance par les opérateurs

• Très pertinente grâce à l’expérience

et l’expertise humaines

• Prise en compte du contexte

et des priorités du moment

• Parfois extrêmement efficace

Mais

• Un taux de détection faible et des ratés

flagrants

• Difficultés à remonter à l’origine du blocage

• Temps de formation opérateur très long

Détection automatisée …

• exhaustive, systématique

• capitalisant sur l’expérience humaine

• s’adaptant aux évolutions permanentes

du système et du contexte industriel

… assistant les techniciens

• Identification des causes potentielles des blocages

• diagnostic « boite blanche »

pouvant être complété par l’intervenant humain

Approche hybride - Système expert + IA

Fab Supervision Machine learning

Système expert

8

Architecture Big Data

SMACK-LD

Approche pure Machine Learning

envisagée dans un premier temps, mais :

• Difficulté à capter la complexité des

processus,

• Difficulté à généraliser (overfitting, etc.)

Approche « boite blanche »

permettant de capter l’expertise de

l’intervenant humain

- Expert au centre de l’approche

- Evite le rejet de la technologie

Système de détection des anomalies

• Système Expert

• Basé sur un méta langage arborescent

• Outil de communication avec les techniciens

• Modèle pour le moteur

9

• Apprentissage supervisé

• Détermination des seuils temporels à

partir des données historiques

• Pondération/modification de l’arbre

grâce aux retours des techniciens

• Faux positifs

• Faux négatifs

• Causes non diagnostiquées

L’anomalie = la perte de

productivité

Le contexte = la définition du

périmètre

Les conditions = quand est-ce

qu’il y a perte de productivité

Les causes = le diagnostique

des origines de la perte de

productivité

Implémentation 10

9Architecture retenue : SMACK-LD

− Architecture légère (No Hadoop)

− Scalable & évolutive

− Basée sur des standards et des

technos matures

− Mixer des traitements temps réel

(acquisition) et batch (IA)

10Data Engineering avec LogIsland

Acquisition et traitement temps réel des données

• Utilise Kafka Connect, Kafka, Spark et Mesos

• Standardisé

− Besoin de component-iser les traitements

− Service d’accès à des data sources (Oracle, Tibco, Cassandra)

− Opérations simples (regexp, add/del), plus complexes (XPath, MVEL)

• Distribué

− Traitement distribué par config ou développement de processeurs customs

• Scalable, performant, robuste

− Engine générique

− Utilise actuellement Spark Streaming (temps réel fenêtré)

− Complex event-processing

Challenges relevés et à venir

• Durant l’industrialisation

• Complexité de l’environnement métier ST

• Data Modelling Cassandra contraignant mais grosses performances à l'ingestion en "bulkload"

• Durant l’implémentation du Machine Learning

• Capacité à capter des retours utilisateurs pertinents :

les fausses anomalies reposent en partie sur la perception humaine

• Garder la lisibilité humaine sur l’analyse faite par le moteur

• Inhérents à l’approche : équilibre à trouver entre

• faux positif : Perte de temps opérateur, Perte de confiance dans l’outil

• faux négatif : Perte de productivité de l’usine, Mise au rebut de production

• Prochaines étapes

• Réduction du taux de faux positifs

• Elargissement du périmètre des anomalies (extension aux métiers engineering)

11

Merci de votre attention