Ispezione attiva con distillazione della conoscenza per previsioni di guasto economicamente vantaggiose nel processo produttivo

Perché è importante individuare i prodotti difettosi precocemente

Dagli smartphone alle auto elettriche, facciamo affidamento su prodotti complessi composti da migliaia di componenti minuscoli. Se anche solo pochi di questi componenti sono difettosi, le conseguenze possono tradursi in costosi interventi in fabbrica, richiami di prodotto o perfino rischi per la sicurezza dei clienti. Perciò i produttori effettuano molti test per individuare i problemi in fase precoce, ma i controlli più approfonditi sono anche i più lenti e costosi. Questo articolo esplora come le fabbriche possano usare l’intelligenza artificiale per prevedere quali prodotti sono a rischio di guasto, mantenendo sotto controllo i costi dei test.

Due tipi di controlli in fabbrica

Nelle linee produttive moderne non tutti gli articoli sono sottoposti allo stesso livello di scrutinio. Test semplici e veloci sono applicati a ogni prodotto; gli autori li definiscono ispezioni di base. Test più dettagliati, che possono richiedere attrezzature speciali o condizioni impegnative, sono riservati a un campione più piccolo perché costosi e dispendiosi in termini di tempo; questi sono le ispezioni avanzate. I modelli informatici che prevedono guasti futuri funzionano meglio quando hanno accesso sia ai risultati delle ispezioni di base sia a quelli delle ispezioni avanzate, ma questo implica sostenere il costo di più ispezioni costose. I modelli che si basano solo sui risultati di base sono meno costosi da usare ma di solito meno accurati.

Insegnare a un test economico a ragionare come uno costoso

I ricercatori adattano un’idea di machine learning nota come distillazione della conoscenza a questo contesto manifatturiero. Innanzitutto addestrano un modello avanzato che ha accesso sia ai dati delle ispezioni di base sia a quelli avanzati e impara a prevedere se ciascun prodotto fallirà i test finali. Successivamente addestrano un modello di base che vede solo i test a basso costo, ma guidano il suo apprendimento in modo che le sue previsioni imitino quelle del modello avanzato. In pratica, il modello di base viene istruito ad approssimare la comprensione più ricca del modello avanzato, pur dipendendo solo dalle misurazioni economiche quando viene impiegato in linea.

Decidere quando investire di più nei test

Una volta migliorato in questo modo il modello di base, gli autori lo integrano in un quadro di ispezione attiva. Ogni prodotto riceve prima le ispezioni di base ed è valutato dal modello di base potenziato, che fornisce anche una stima della propria confidenza nella valutazione. Se il modello è sicuro che un articolo sia chiaramente buono o chiaramente difettoso, la fabbrica può saltare i costosi test avanzati. Solo gli articoli con previsioni incerte vengono inviati all’ispezione avanzata e valutati dal modello avanzato. Questa strategia selettiva mira a riservare i controlli costosi ai prodotti per i quali avranno il maggior impatto.

Verificare l’idea nella produzione di chip

Per valutare quanto bene funzioni questo approccio nella pratica, il team ha analizzato dati reali di un produttore di semiconduttori. Nella produzione di chip, le wafer subiscono molti test elettrici; alcuni sono eseguiti su ogni chip, mentre altri, in condizioni severe, sono applicati solo a un sottoinsieme. Gli autori hanno costruito sia modelli di previsione di base sia avanzati usando due diversi tipi di algoritmi di machine learning e hanno confrontato modelli addestrati con e senza distillazione della conoscenza. Hanno inoltre esaminato diversi modi di misurare l’incertezza delle previsioni per decidere quali chip dovessero ricevere ispezioni avanzate, e hanno valutato le prestazioni usando un punteggio standard che riflette quanto bene i modelli distinguono i chip buoni da quelli difettosi.

Migliore qualità a costi inferiori

Gli esperimenti hanno mostrato che i modelli di base addestrati con la distillazione della conoscenza erano costantemente più accurati rispetto ai normali modelli di base, e in un set di dati hanno perfino superato leggermente il modello avanzato completo. Quando questi modelli di base potenziati sono stati combinati con la strategia di ispezione attiva, le fabbriche hanno potuto ottenere quasi le stesse prestazioni nel rilevamento dei guasti come ispezionando ogni prodotto con test avanzati, inviando però molto meno articoli a quei test costosi. In termini semplici, il metodo consente ai produttori di individuare più difetti prima e con maggiore affidabilità, senza dover ispezionare tutto al livello più alto, offrendo una via pratica verso qualità superiore e costi di produzione inferiori.

Citazione: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

Parole chiave: qualità nella produzione, previsione dei guasti, costo delle ispezioni, distillazione della conoscenza, produzione di semiconduttori