Активная инспекция с переносом знаний для экономичного прогнозирования дефектов в производственном процессе

Почему важно обнаруживать брак на ранней стадии

От смартфонов до электромобилей — мы рассчитываем на сложные изделия, собранные из тысяч мелких деталей. Если даже несколько таких деталей окажутся дефектными, это может привести к дорогостоящей доработке на заводе, отзывам продукции или даже проблемам с безопасностью для потребителей. Поэтому производители проводят множество тестов, чтобы выявить проблемы как можно раньше — но самые тщательные проверки при этом являются самыми медленными и дорогими. В этой статье рассматривается, как фабрики могут использовать искусственный интеллект для прогнозирования того, какие изделия с большой вероятностью выйдут из строя, при одновременном контроле затрат на тестирование.

Два типа проверок на производстве

На современных линиях не все изделия проходят одинаковую степень контроля. Простые и быстрые тесты применяются ко всем продуктам; авторы называют их базовыми инспекциями. Более детальные проверки, требующие специального оборудования или жестких условий, проводят только на небольшой выборке, поскольку они дорогостоящие и трудоемкие; это — расширенные инспекции. Компьютерные модели, предсказывающие будущие дефекты, работают лучше, когда у них есть и результаты базовых, и результаты расширенных тестов, но это означает дополнительные расходы на дорогие проверки. Модели, опирающиеся только на базовые данные, дешевле в применении, но обычно менее точны.

Обучение дешевого теста мыслить как дорогой

Исследователи адаптировали идею машинного обучения, известную как перенос знаний, к производственной среде. Сначала они обучают расширенную модель, имеющую доступ как к базовым, так и к расширенным данным инспекций, которая учится предсказывать, пройдет ли изделие итоговую проверку. Затем они обучают базовую модель, которая видит только низкозатратные тесты — но при этом направляют ее обучение так, чтобы ее предсказания имитировали выводы расширенной модели. По сути, базовая модель учится приближать более богатое понимание расширенной модели, при этом в эксплуатации опираясь только на дешевые измерения.

Как решать, когда тратить больше на проверку

После улучшения базовой модели авторы встраивают ее в рамки активной инспекции. Сначала каждое изделие проходит базовые проверки и оценивается обновленной базовой моделью, которая также выдает меру уверенности в своем решении. Если модель уверена, что изделие явно годное или явно бракованное, фабрика может пропустить дорогостоящие расширенные тесты. Только изделия с неопределенными предсказаниями отправляются на расширенную инспекцию и оценку расширенной моделью. Эта селективная стратегия направлена на то, чтобы резервировать дорогие проверки для тех продуктов, где они принесут наибольшую пользу.

Проверка идеи на производстве микросхем

Чтобы понять, насколько хорошо подход работает на практике, команда проанализировала реальные данные производителя полупроводников. В производстве микросхем пластинки подвергаются множеству электрических тестов: некоторые выполняются для каждого чипа, а другие в жестких условиях применяются только к части выборки. Авторы построили как базовые, так и расширенные предсказательные модели, используя два различных типа алгоритмов машинного обучения, и сравнили модели, обученные с переносом знаний и без него. Они также изучили несколько способов оценки неопределенности предсказаний, чтобы решить, какие чипы должны пройти расширенные инспекции, и оценивали работу по стандартной метрике, отражающей, насколько хорошо модели различают годные и бракованные чипы.

Лучшее качество при меньших затратах

Эксперименты показали, что базовые модели, обученные с переносом знаний, стабильно оказывались точнее обычных базовых моделей, а в одном наборе данных даже слегка превосходили полную расширенную модель. Когда эти улучшенные базовые модели комбинировали с стратегией активной инспекции, фабрики могли добиться практически такого же уровня обнаружения дефектов, как при тестировании каждого изделия расширенными проверками, отправляя при этом на дорогие тесты гораздо меньше изделий. Проще говоря, метод позволяет производителям выявлять больше дефектов раньше и надежнее, не проводя проверку всего на самом высоком уровне, предлагая практический путь к более высокому качеству и снижению производственных расходов.

Цитирование: 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

Ключевые слова: качество производства, прогнозирование дефектов, стоимость инспекций, перенос знаний, производство полупроводников