Explications de l'IA pour la surveillance de la force de sertissage : preuves de justesse et de compréhension

Une alarme « brins manquants » apparaît et l’écran surligne en rouge une partie de la courbe de force de sertissage. Cela peut aider un ingénieur à savoir par où commencer ses vérifications. Deux questions restent pourtant sans réponse : le produit présente-t-il réellement des brins manquants, et la zone rouge aide-t-elle à prendre la bonne mesure ?

Cette analyse s’adresse aux ingénieurs qualité et procédés qui évaluent la surveillance de la force de sertissage par IA. À partir d’une étude publique de Hofmann et de ses collègues, nous examinons séparément les résultats de classification, les explications du modèle et leurs effets sur les utilisateurs. Nous précisons les dénominateurs et les conditions de comparaison directement utilisables dans une revue technique. L’article a été publié le 31 mars 2026 ; sa version officielle est datée du 10 avril. Il s’agit d’une analyse ciblée d’une étude existante. Article original

Distinguer les trois objets de l’évaluation

Des liens entre ces trois objets peuvent être établis progressivement, mais aucun ne remplace les autres. Pour une revue, nous recommandons d’examiner d’abord le sens des erreurs, puis la manière dont l’explication a été testée, et enfin les tâches pratiques réalisées par les utilisateurs. Les sections suivantes parcourent dans cet ordre les éléments disponibles dans l’article.

D’une courbe à quatre phases colorées : ce que fait le modèle

L’étude utilise une forêt aléatoire pour classer les courbes de force de sertissage prétraitées en trois catégories : normal, brins manquants et isolant pris dans le sertissage du conducteur. Une forêt aléatoire se compose de plusieurs arbres de décision. Chaque arbre se prononce à partir des caractéristiques d’entrée, puis ces décisions sont combinées pour produire la sortie du modèle. Dans cette étude, les entrées sont des points d’échantillonnage consécutifs le long de la courbe, plutôt qu’un pic unique choisi par une personne. TreeExplainer, de SHAP, calcule ensuite la contribution de chaque point à la sortie correspondant à une classe donnée. Article, section 3 ; Documentation officielle sur les forêts aléatoires

La chaîne de traitement se lit ainsi :

1. Acquisition et prétraitement→
2. La forêt aléatoire produit une classe→
3. TreeSHAP explique la sortie pour cette classe→
4. Les contributions sont agrégées par phase du procédé→
5. Les couleurs sont affichées sur la courbe d'origine

Ce schéma représente les relations entre les étapes de la méthode. La classification précède l’affichage des couleurs ; celles-ci n’ajoutent pas de contrôle qualité indépendant.

Il ne faut pas considérer que la surveillance actuelle de la force de sertissage se limite systématiquement à comparer un seul pic. La description du BB07i4 fournie par le fabricant et citée dans l’article comprend la comparaison avec des courbes de référence, la gestion de la dérive et plusieurs réglages de référence. L’apport étudié ici relie une classification apprise à des explications par phase. L’article ne fournit pas de comparaison sur une base commune suffisante pour quantifier une supériorité « sur toutes les méthodes de surveillance conventionnelles ». Description du BB07i4 par le fabricant

L’article divise la courbe en quatre phases : alignement, enroulement, compression et retour élastique. Elles correspondent au début du contact et à l’alignement des ailes de la borne avec le poinçon de sertissage, à l’enroulement des ailes vers le conducteur, au compactage du conducteur et de la borne, puis à la récupération élastique après le retrait du poinçon. L’étude utilise les indices de délimitation 75, 150, 345 et 500. Ce sont des positions propres à cette méthode de traitement des données. Elles ne peuvent pas être utilisées directement comme des temps, des courses ou des paramètres de segmentation universels pour une autre machine. Article, sections 2.1 et 3.5, équation 4

L’agrégation par phase comporte un détail facile à négliger : l’équation 6 de l’article calcule la moyenne des valeurs SHAP de chaque phase, puis normalise le résultat pour former les bandes de couleurs. Elle ne transforme pas chacune des quatre phases en « probabilité de défaillance » et ne se contente pas d’additionner toutes les contributions en valeur absolue de chaque phase.

Prenons un exemple purement arithmétique. Deux points d’une même phase ont des contributions de +0,02 et -0,02. Leur moyenne signée est 0 ; la moyenne de leurs valeurs absolues est 0,02. La première conserve la relation entre les contributions qui renforcent la sortie et celles qui se compensent, tandis que la seconde décrit l’amplitude des contributions. Ces deux agrégations répondent à des questions différentes. Il ne s’agit pas de mesures issues de l’article. Pour lire ou reproduire une carte de couleurs, il faut conserver ensemble la classe expliquée, les signes, la méthode d’agrégation et les règles de normalisation des couleurs. Sinon, le sens de « la zone la plus rouge » change.

TreeSHAP explique l’écart entre la sortie du modèle et sa valeur de référence. Il faut également choisir comment traiter les caractéristiques d’entrée dépendantes les unes des autres. Les points consécutifs de la courbe étant corrélés, la version du logiciel, les données de référence et les options de traitement de cette dépendance font aussi partie des conditions de l’explication. Le seul fait de sauvegarder une carte de couleurs ne fait pas d’une même couleur un indicateur invariant d’une version à l’autre. Documentation officielle de TreeExplainer

Quelles erreurs se cachent derrière le résultat de 95,9% ?

L’étude a enregistré 1 617 courbes provenant de deux associations fil–borne, avec des fils de 0,50 mm² et 0,35 mm². Les chercheurs ont préparé délibérément les échantillons avec brins manquants et isolant pris dans le sertissage. Ils ont réparti aléatoirement les données entre 1 293 échantillons d’entraînement et 324 échantillons de test. Il ne s’agit pas d’un ensemble de dossiers d’expédition échantillonnés selon la fréquence des défauts d’une ligne de production réelle. Article, section 3.2

Les auteurs annoncent un taux de classification correcte sur trois classes de 95,9%. Ici, la justesse se mesure par rapport aux étiquettes des auteurs. Il faut toujours distinguer l’étiquette d’un défaut préparé délibérément d’une non-conformité établie au regard des exigences du produit. Commençons par distinguer le sens des erreurs :

Les pourcentages du tableau sont des valeurs descriptives calculées à partir des nombres indiqués dans l’article, puis arrondies. Leurs dénominateurs sont respectivement le nombre d’échantillons étiquetés normaux et le nombre d’échantillons étiquetés défectueux. Ils ne représentent ni le taux d’erreur global, ni la proportion de défauts parmi les échantillons que le modèle classe comme normaux. Une matrice de confusion doit préciser quel axe représente les étiquettes de référence et quel axe représente les classes prédites. Sinon, une même cellule peut facilement être interprétée comme la réponse à une autre question. Article, section 4.1 ; Définition d’une matrice de confusion

Un léger écart apparaît aussi entre la valeur annoncée et les nombres donnés dans le texte. Ceux-ci totalisent 6 + 4 + 3 = 13 erreurs de classification. Un nouveau calcul sur un total de 324 donne un taux de classification correcte sur trois classes d’environ 96,0%, qui ne correspond pas exactement aux 95,9% des auteurs. Nous conservons donc la valeur annoncée et présentons séparément les nombres d’erreurs et leurs dénominateurs, sans affirmer que leur recalcul donne exactement le même résultat.

Pour une revue qualité, la distinction la plus importante est celle entre la confusion des deux catégories de défaut et le classement d’un échantillon défectueux comme normal. La première oriente le diagnostic dans une mauvaise direction ; la seconde concerne la capacité du modèle à détecter les défauts. Si la tâche est ramenée à deux classes, normal et défectueux, les 3 confusions entre catégories de défaut ne comptent plus comme des erreurs et l’indicateur change. Cela montre aussi pourquoi on ne peut pas comparer directement les taux de classification correcte de tâches différentes.

Ce que les essais de perturbation permettent d’établir

Pour examiner l’utilité des explications par phase, les chercheurs ont mis certaines phases à zéro, les ont remplacées par des valeurs aléatoires ou les ont supprimées, puis ont réentraîné les modèles avec la même méthode d’entraînement. Les combinaisons d’une, deux et trois phases ont produit 42 modèles perturbés, comparés à la référence sans perturbation. Cette comparaison mesure ce qu’un modèle réentraîné sans les informations d’une zone donnée peut encore accomplir. Il ne s’agit pas simplement de masquer une fois l’entrée du modèle d’origine. Article, sections 3.7 et 4.2

Dans le tableau 4, la perturbation de la seule phase de compression donne un taux de classification correcte de 0,861 pour chacun des trois traitements, inférieur à la référence de 0,959 annoncée par les auteurs. La perturbation de la seule phase d’enroulement ou de retour élastique donne dans tous les cas un résultat de 0,954. Cela étaye un constat précis : avec ces données et cette méthode de comparaison, la phase de compression contient des informations de classification dont les autres zones compensent plus difficilement la perte.

Cet essai ne démontre pas directement que la zone rouge est la cause physique du défaut. La baisse des performances après réentraînement dépend de la quantité d’informations supprimées, de la capacité des autres phases à compenser cette perte, du modèle et de la méthode de répartition des données. L’article reconnaît également que les phases contiennent des nombres différents de points d’échantillonnage. Supprimer une phase plus longue peut entraîner une perte plus importante ; l’ampleur de cette perte ne suffit pas à établir que chaque point est plus important.

Si l’étape suivante consiste à comparer deux méthodes d’explication, un essai complémentaire plus ciblé peut être proposé. Chaque méthode sélectionnerait le même nombre de points ou des intervalles de même longueur, puis la comparaison utiliserait la même méthode de remplacement, les mêmes paramètres d’entraînement et le même ensemble de test. Cette suggestion vise à réduire le facteur de confusion lié au fait de « supprimer davantage ». Ce n’est pas un résultat déjà obtenu dans l’article.

L’accord des ingénieurs avec une explication par phase ne prouve pas une meilleure exécution des tâches

Pour la partie consacrée aux facteurs humains, deux experts des procédés ont évalué l’influence de chaque phase sur des courbes dont les classes de qualité étaient déjà indiquées. Leurs évaluations ont ensuite été comparées qualitativement aux visualisations. Cela permet de vérifier si les explications concordent globalement avec les connaissances professionnelles. Cette démarche ne fournit pas de taux de réponses correctes lors d’essais en aveugle auprès d’opérateurs de plusieurs équipes, de temps de traitement des alarmes, ni de mesure de l’évolution des actions incorrectes avant et après l’ajout des bandes de couleurs. Article, section 4.3

Les deux questions peuvent être testées séparément :

• Pour vérifier la plausibilité d’une explication par phase, demander aux ingénieurs quelle zone de la courbe devrait être affectée par un défaut donné, puis la comparer à la zone mise en évidence par le modèle.
• Pour vérifier si l’interface aide à réagir, demander aux utilisateurs de traiter des enregistrements dont ils ne connaissent pas la réponse. Observer leurs jugements lorsqu’ils voient la courbe d’origine, puis une indication de classe, puis l’explication par phase. Enregistrer « impossible de se prononcer » est également utile ; il ne faut pas imposer une cause à chaque réponse.

Cette dernière comparaison devrait idéalement maintenir constantes la difficulté des échantillons et les informations disponibles, tout en tenant compte des effets d’apprentissage liés à l’ordre de présentation. Sinon, une deuxième réponse plus rapide peut simplement signifier que la personne a déjà vu la même courbe. Il faut également conserver les affichages explicatifs des échantillons non détectés ou mal classés. Une explication claire peut malgré tout expliquer une prédiction erronée.

Qu’est-ce qui est disponible, et que manque-t-il pour le transfert ?

L’article propose son texte intégral en accès libre et renvoie au Crimp Force Curve Dataset de Harvard Dataverse ainsi qu’à un article de Scientific Data décrivant l’acquisition, l’étiquetage et la validation technique. La version actuelle du jeu de données est V3.0. Le jeu complet contient 2 439 courbes, alors que le sous-ensemble utilisé dans cette étude en compte 1 617. Les données conservent à la fois les étiquettes manuelles et les décisions CFM, y compris des enregistrements où elles divergent. Avant l’évaluation, il faut préciser quelles étiquettes de référence seront utilisées et déterminer la conformité réelle selon des méthodes applicables au projet. Ces ressources publiques permettent d’évaluer des méthodes hors ligne ; un point d’accès à un jeu de données n’est pas un logiciel validé de surveillance en ligne. DOI du jeu de données ; Article de description des données

Les auteurs proposent également un dépôt de code cfc-analysis public. Le lien utilisé ici pointe vers le commit cf20535 du 22 août 2025, qui contient des fichiers de prétraitement, de validation et de représentation graphique des données. Il offre un point d’entrée pour comprendre les données. Il ne permet pas de conclure que l’intégralité du code de la forêt aléatoire, de TreeSHAP et de l’interface de cette étude de 2026 a été publiée.

Pour cette analyse, nous n’avons ni téléchargé et exécuté le jeu de données complet, ni obtenu et exécuté l’ensemble du code d’entraînement, de répartition et de visualisation de l’étude SHAP. Pour revendiquer une reproduction exacte, il faudrait encore vérifier conjointement :

• la version des données et les identifiants des échantillons effectivement utilisés ;
• le prétraitement et les plages de mise à l’échelle ;
• les affectations aux ensembles d’entraînement et de test, ainsi que les graines aléatoires ;
• les versions des dépendances et les options SHAP ;
• les limites des phases et les règles d’affichage.

On ne peut pas supposer qu’un seul entraînement à partir des paramètres de l’article produira le même résultat.

Si l’évaluation porte ensuite sur de nouvelles bornes, de nouveaux fils ou de nouveaux équipements, les éléments probants peuvent être préparés dans l’ordre suivant. Il s’agit de suggestions d’évaluation, pas de critères de libération en production.

1. Déterminer d’abord comment les étiquettes de référence sont obtenues. Consigner la préparation et la confirmation des brins manquants et de l’isolant pris dans le sertissage, ainsi que la distinction entre anomalies mineures et états acceptables. Conserver ces informations avec les identifiants des échantillons. Lorsque les étiquettes prêtent à confusion, améliorer le score du modèle ne résout pas la définition de la qualité.
2. Réserver les nouvelles conditions à un véritable test externe. Pour démontrer l’utilisation sur différents lots, réserver des lots entiers au test. Pour démontrer l’utilisation après un changement d’équipement ou de borne, réserver les conditions correspondantes. Répartir aléatoirement des données issues de la même source ne répond qu’à une partie de ces questions. Un résultat sur trois classes ne couvre pas non plus automatiquement les défauts inconnus.
3. Comparer avec la surveillance existante sur le même ensemble d’échantillons. Compter séparément, par rapport aux étiquettes de référence, les fausses alarmes sur les échantillons normaux, les défauts non détectés et les indications erronées de type de défaut, en conservant les dénominateurs réels. Ne pas comparer le taux de classification correcte de l’article au taux d’alarme d’un autre ensemble de pièces. Lorsque la fréquence des défauts du produit change, examiner aussi séparément les groupes prédits défectueux et normaux pour déterminer combien d’anomalies y sont confirmées par les méthodes du projet.
4. Évaluer enfin si l’explication modifie les actions. Dans le cadre de la procédure de traitement existante, vérifier si les bandes de couleurs réduisent les vérifications orientées dans la mauvaise direction ou aident les ingénieurs à reconnaître les cas où le modèle n’est pas fiable. Si le seul constat est que les explications par phase semblent plus intuitives, limiter la conclusion à leur plausibilité et maintenir la nécessité de valider les réactions des personnes.

La première page la plus utile à une revue technique pourrait ne contenir que trois lignes : le sens des erreurs et les dénominateurs dans les nouvelles conditions ; la comparaison par perturbation utilisée pour tester l’explication ; et les tâches de jugement réellement accomplies par les utilisateurs. La forêt aléatoire, TreeSHAP et les bandes de couleurs par phase de l’étude forment une combinaison à explorer pour les deux premières lignes. La troisième nécessite encore des éléments issus de l’environnement de travail visé.

Pour poursuivre la préparation d’une revue qualité du sertissage, consultez ce que révèlent respectivement la hauteur de sertissage, la force de traction et les coupes transversales afin de distinguer les usages des courbes de procédé et du contrôle du produit fini. Retrouvez d’autres analyses de recherche et guides pratiques dans la bibliothèque de ressources.

Sources et notes de lecture

Étude principale : Hofmann, B., Bründl, P., Nguyen, H. G. et Franke, J., Transparent machine learning for crimp force monitoring using phase-based SHAP explanations, Industrial Artificial Intelligence 4, 2 (2026), DOI: 10.1007/s44244-026-00028-6. L’analyse en chinois et les suggestions d’évaluation ont été rédigées de manière indépendante à partir du texte intégral public ; aucune figure originale n’est reproduite. L’article original est sous licence CC BY 4.0. L’exemple arithmétique et les essais complémentaires proposés dans cette analyse ne sont pas des résultats mesurés par les auteurs et ne constituent ni une reproduction ni une validation sur ligne de production par MTTJ.

Sources consultées le 7 octobre 2026. Si les auteurs publient ensuite du code, révisent leurs résultats, ou si une validation indépendante sur différents équipements devient disponible, les conditions de mise en œuvre et l’évaluation du transfert devront être mises à jour en priorité.

L’IA a aidé à organiser les sources et à rédiger cet article.