Actieve inspectie met knowledge distillation voor kosteneffectieve foutvoorspelling in het productieproces

Waarom het vroeg opsporen van slechte producten telt

Van smartphones tot elektrische auto’s: we vertrouwen op complexe producten die uit duizenden kleine onderdelen bestaan. Als slechts enkele van die onderdelen defect zijn, kan dat leiden tot kostbare nabewerkingen in de fabriek, productterugroepacties of zelfs veiligheidsproblemen voor klanten. Fabrikanten voeren daarom veel tests uit om problemen vroeg te ontdekken — maar de grondigste tests zijn ook het langzaamst en duurst. Dit artikel onderzoekt hoe fabrieken kunstmatige intelligentie kunnen inzetten om te voorspellen welke producten waarschijnlijk zullen falen, terwijl de testkosten onder controle blijven.

Twee soorten controles in de fabriek

Op moderne productielijnen krijgt niet elk item dezelfde mate van controle. Eenvoudige, snelle tests worden op elk product toegepast; de auteurs noemen deze basisinspecties. Meer gedetailleerde tests, die speciale apparatuur of zware omstandigheden kunnen vereisen, worden om kosten- en tijdredenen slechts op een kleinere steekproef toegepast; dit zijn de geavanceerde inspecties. Computermodellen die toekomstige fouten voorspellen werken beter als ze zowel basis- als geavanceerde testresultaten zien, maar dat betekent dat er meer van de dure inspecties betaald moet worden. Modellen die alleen op basisresultaten vertrouwen zijn goedkoper in gebruik, maar meestal minder nauwkeurig.

Een goedkope test leren denken als een dure

De onderzoekers passen een machine‑learningidee toe dat bekendstaat als knowledge distillation op deze productiesituatie. Eerst trainen ze een geavanceerd model dat toegang heeft tot zowel basis- als geavanceerde inspectiegegevens en leert te voorspellen of elk product uiteindelijk zal falen bij de eindcontrole. Vervolgens trainen ze een basismodel dat alleen de goedkope tests ziet — maar ze sturen het leerproces zo dat de voorspellingen van het basismodel die van het geavanceerde model imiteren. In feite wordt het basismodel geleerd de rijkere inzichten van het geavanceerde model te benaderen, terwijl het bij inzet op de lijn alleen van de goedkope metingen afhankelijk blijft.

Beslissen wanneer meer uitgegeven moet worden aan testen

Nadat het basismodel op deze manier is verbeterd, plaatsen de auteurs het in een actief inspectiekader. Elk product ondergaat eerst basisinspecties en wordt beoordeeld door het verbeterde basismodel, dat ook aangeeft hoe zeker het is van zijn oordeel. Als het model er zeker van is dat een item duidelijk goed of duidelijk slecht is, kan de fabriek de kostbare geavanceerde tests overslaan. Alleen items met onzekere voorspellingen worden doorgestuurd voor geavanceerde inspectie en beoordeling door het geavanceerde model. Deze selectieve strategie is bedoeld om dure controles te reserveren voor de producten waar ze het grootste verschil maken.

Het idee testen in de chipproductie

Om te bekijken hoe goed deze aanpak in de praktijk werkt, analyseerde het team echte gegevens van een halfgeleiderfabrikant. Bij chipproductie ondergaan wafers veel elektrische tests; sommige worden op elke chip uitgevoerd, terwijl andere onder zware omstandigheden slechts op een deel worden toegepast. De auteurs bouwden zowel basis- als geavanceerde voorspellingsmodellen met twee verschillende soorten machine‑learningalgoritmen en vergeleken modellen die wel en niet met knowledge distillation waren getraind. Ze onderzochten ook verschillende manieren om voorspellingsonzekerheid te meten om te bepalen welke chips geavanceerde inspecties moeten krijgen, en evalueerden de prestaties met een standaardscore die weerspiegelt hoe goed de modellen goede chips van slechte chips onderscheiden.

Betere kwaliteit tegen lagere kosten

De experimenten lieten zien dat de basismodellen die met knowledge distillation waren getraind consequent nauwkeuriger waren dan gewone basismodellen, en in één dataset zelfs de volledige geavanceerde model iets overtroffen. Wanneer deze verbeterde basismodellen werden gecombineerd met de actieve inspectiestrategie, konden fabrieken vrijwel dezelfde foutdetectieprestaties bereiken als wanneer elk product met geavanceerde inspecties zou worden getest, terwijl veel minder items door die dure tests hoefden te gaan. Concreet betekent dit dat de methode fabrikanten in staat stelt meer defecten eerder en betrouwbaarder op te sporen, zonder alles op het hoogste inspectieniveau te hoeven testen — een praktische route naar hogere kwaliteit en lagere productiekosten.

Bronvermelding: 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

Trefwoorden: productiekwaliteit, foutvoorspelling, inspectiekosten, knowledge distillation, halfgeleiderproductie