Comment les fournisseurs automobiles de rang 1 utilisent l'IA pour respecter les normes de qualité des constructeurs
Un fournisseur automobile de rang 1 au Michigan, fabricant de composants de suspension emboutis, a vu sa note qualité auprès d'un grand constructeur passer de « A » à « B » après avoir expédié deux lots présentant des écarts dimensionnels hors des spécifications internes plus strictes du client (qui étaient plus étroites que la tolérance du plan). Cette baisse de note impliquait des exigences d'inspection accrues, une réduction potentielle des allocations et la menace réelle de perdre le contrat. Ils avaient 90 jours pour retrouver le statut « A ». La solution a consisté à déployer un système de surveillance des processus basé sur l'IA qui détectait les dérives dimensionnelles avant même qu'elles n'atteignent les limites internes plus strictes du client.
Le paysage qualité des constructeurs automobiles
Les constructeurs automobiles (Ford, GM, Toyota, Stellantis et d'autres) imposent à leurs fournisseurs de rang 1 des exigences qualité qui vont bien au-delà de la simple certification ISO 9001 ou IATF 16949. Chaque constructeur possède son propre manuel qualité fournisseur, son propre processus d'approbation des pièces (PPAP), ses propres exigences de capabilité des processus (souvent un Cpk de 1,67 ou plus, contre le 1,33 exigé par l'IATF 16949) et ses propres procédures d'escalade pour les problèmes qualité.
Les systèmes de notation sont stricts et lourds de conséquences. La note BIQS (Built-In Quality Supplier) de GM, le statut Q1 de Ford, le classement qualité de Toyota — chacun traduit la performance qualité en une note fournisseur qui affecte directement l'attribution des volumes. Un fournisseur qui passe du premier au deuxième niveau peut perdre des millions de revenus annuels lorsque le constructeur réoriente les volumes vers des concurrents mieux notés.
Pour les fournisseurs de rang 1, maintenir ces notes exige non seulement de respecter les spécifications, mais aussi de démontrer une amélioration continue, de maintenir la maîtrise statistique des processus, de résoudre rapidement les problèmes qualité et de fournir la transparence des données que les constructeurs exigent de plus en plus.
La place de l'IA dans le référentiel IATF 16949
L'IATF 16949 (la norme de système de management de la qualité automobile) exige plusieurs pratiques pour lesquelles l'IA apporte une valeur directe. La maîtrise statistique des processus (SPC) est requise pour toutes les caractéristiques spéciales. Le SPC traditionnel implique qu'un opérateur mesure chaque Nième pièce et reporte le résultat sur une carte de contrôle. Le SPC basé sur l'IA utilise des systèmes de mesure en ligne (micromètres laser, systèmes de vision ou palpeurs sur machines CNC) pour mesurer 100 % des pièces et applique des méthodes statistiques sophistiquées qui détectent les dérives de processus plus rapidement que les cartes X-barre et R traditionnelles.
La norme exige également l'analyse des systèmes de mesure (MSA), les études de capabilité des processus, l'analyse des modes de défaillance et de leurs effets (AMDEC) et les processus d'actions correctives (8D). Des outils d'IA existent désormais pour chacun de ces domaines : analyse automatisée Gage R&R qui identifie la dégradation du système de mesure dans le temps, surveillance continue de la capabilité des processus qui signale les variations de Cpk en temps réel, AMDEC assistée par l'IA qui suggère des modes de défaillance basés sur des processus similaires dans la base de données industrielle, et systèmes 8D qui utilisent le traitement du langage naturel pour rechercher des actions correctives antérieures potentiellement pertinentes pour un nouveau problème.
SPC en temps réel avec l'IA
Le SPC traditionnel contrôle une pièce toutes les 25 ou 50 pièces et applique les règles de Western Electric pour détecter les configurations non aléatoires. La fréquence d'échantillonnage signifie qu'une dérive de processus peut produire 25 à 100 pièces hors spécifications avant d'être détectée. Le SPC basé sur l'IA avec mesure à 100 % détecte les dérives immédiatement et applique des algorithmes de détection plus sensibles.
Le modèle d'IA apprend le schéma de variation normal du processus (qui est rarement parfaitement normal en fabrication réelle, malgré ce que supposent les manuels) et détecte les écarts par rapport à ce schéma appris. Il peut distinguer la variation de cause commune (aléatoire, inhérente au processus) de la variation de cause spéciale (systématique, indiquant un changement dans le processus) plus précisément que les règles standard des cartes de contrôle, car il tient compte de la distribution réelle des données plutôt que de supposer la normalité.
Pour le fournisseur de composants de suspension, le système SPC par IA surveillait 7 dimensions critiques sur chaque pièce à l'aide d'une station de mesure laser en ligne après l'opération de formage finale. Lorsque la température de la matrice a provoqué une dérive de 0,015 mm sur un diamètre d'alésage critique (dans la tolérance du plan mais tendant vers la limite interne du constructeur), le système l'a signalée en 3 pièces. L'opérateur a ajusté le refroidissement de la matrice et la dérive a été corrigée avant qu'aucune pièce ne dépasse même la spécification plus stricte du client. Avec l'ancien système, cette dérive aurait été détectée au prochain contrôle SPC, 50 pièces plus tard, après que 15 à 20 pièces avaient déjà dépassé la limite interne du client.
Traçabilité et transparence des données
Les constructeurs exigent de plus en plus des données qualité en temps réel de la part de leurs fournisseurs. L'initiative Connected Enterprise de GM, le Production Monitoring System de Toyota et des programmes similaires exigent des fournisseurs de rang 1 qu'ils partagent les données de processus (résultats SPC, résultats d'inspection, données d'essais) par voie électronique, souvent en quasi-temps réel. Les systèmes d'IA génèrent ces données comme sous-produit de leur fonction de surveillance, rendant la conformité aux exigences de partage de données simple.
La traçabilité complète des pièces est une autre exigence des constructeurs que l'IA facilite. En reliant les données de mesure de chaque pièce à ses paramètres de processus spécifiques (quelle machine, quelle matrice, quelle coulée de matériau, quel opérateur, quel moment), le système d'IA crée un fil numérique complet pour chaque pièce. Lorsqu'un problème qualité apparaît sur le terrain, l'équipe de production peut remonter aux conditions exactes dans lesquelles les pièces concernées ont été fabriquées et déterminer l'étendue du problème, souvent en quelques minutes plutôt que les jours ou semaines que nécessitent les investigations de traçabilité traditionnelles.
Réduction des coûts de garantie
Pour les fournisseurs de rang 1, les refacturations de garantie des constructeurs représentent un coût significatif. Lorsqu'un véhicule est réparé sous garantie pour un composant produit par le fournisseur de rang 1, le constructeur refacture le coût de la pièce, de la main-d'œuvre et souvent des frais de gestion. Les refacturations de garantie peuvent représenter 1 % à 3 % du chiffre d'affaires d'un fournisseur de rang 1, et les réduire a un impact direct sur le résultat net.
Les systèmes qualité basés sur l'IA réduisent l'exposition aux garanties de deux manières. Premièrement, ils empêchent l'expédition de pièces défectueuses en détectant les dérives de processus plus tôt et de manière plus fiable. Deuxièmement, ils fournissent les données nécessaires pour contester les refacturations injustifiées. Lorsqu'un constructeur affirme qu'un composant a défailli prématurément, le fournisseur peut produire les données de processus complètes pour cette pièce spécifique, démontrant qu'elle a été fabriquée dans les spécifications. Sans ces données, les fournisseurs acceptent souvent des refacturations qu'ils ne devraient pas, faute de pouvoir prouver le contraire.
Mise en œuvre pour les fournisseurs de taille intermédiaire
Les grands fournisseurs de rang 1 (plus de 500 M$ de chiffre d'affaires) mettent en œuvre des systèmes qualité basés sur l'IA depuis plusieurs années. Le défi pour les fournisseurs de taille intermédiaire (20 M$ à 200 M$ de chiffre d'affaires, qui représentent la majorité de la base de fournisseurs de rang 1) est que les mêmes exigences qualité des constructeurs s'appliquent, mais que le budget et l'infrastructure informatique pour la mise en œuvre de l'IA sont plus limités.
Les plateformes qualité IA basées sur le cloud ont considérablement abaissé le seuil d'entrée. Un fournisseur de taille intermédiaire peut mettre en œuvre le SPC par IA sur une seule ligne de production critique pour 30 000 $ à 75 000 $ (incluant le matériel de mesure en ligne) et étendre à des lignes supplémentaires une fois le retour sur investissement démontré. La tarification par abonnement de la plupart des plateformes (1 000 $ à 3 000 $ par machine par mois) rend le coût prévisible et s'adapte au volume de production.
Le redressement en 90 jours du fournisseur de composants de suspension a coûté 62 000 $ (station de mesure en ligne, abonnement au logiciel d'IA pour 12 mois et intégration avec leur QMS existant). Leur note qualité constructeur a été rétablie à « A » en 60 jours grâce aux données améliorées de maîtrise des processus qu'ils ont pu démontrer. La valeur annuelle du maintien de cette note « A », en termes d'allocation de volumes et d'évitement des coûts liés aux exigences d'inspection renforcées, a été estimée à 1,2 million de dollars. Le ratio investissement/valeur rendait la décision évidente, mais il a fallu une crise pour déclencher l'action — ce qui est malheureusement le schéma courant dans les investissements qualité des fournisseurs automobiles.