Interpretable Hybrid Surrogate Modeling for Diameter Deviation Prediction in Injection Molding Using Symbolic Regression and Gaussian Process Residual Correction

Dans le monde de la fabrication, la production de pièces en plastique ressemble un peu à la cuisson d'un gâteau, mais avec beaucoup moins de marge d'erreur. Lorsqu'une machine injecte du plastique fondu dans un moule, elle doit maintenir la pression de manière très précise, refroidir le matériau à la vitesse parfaite et cadencer le cycle avec précision. Si les réglages de la machine sont même légèrement décalés, la pièce finale peut avoir une taille incorrecte. C'est un problème de qualité dimensionnelle. Les ingénieurs tentent depuis longtemps de prédire exactement comment le changement des réglages d'une machine — comme la force avec laquelle ils poussent le plastique ou sa vitesse d'écoulement — modifiera la taille finale de la pièce. Le défi est que ces facteurs n'agissent pas seuls ; ils s'entremêlent de manières complexes. Un changement de pression peut avoir un effet différent selon la vitesse à laquelle le plastique a été injecté ou le temps que la machine a attendu avant d'ouvrir le moule. Habituellement, pour comprendre ces relations, les entreprises réalisent des centaines d'expériences, mais le temps et l'argent les limitent souvent à seulement quelques dizaines. Lorsque les données sont rares, les modèles informatiques standards deviennent souvent trop compliqués pour être compris ou échouent à prédire avec précision.

Une équipe de chercheurs du Maroc s'est lancée dans la résolution de ce casse-tête pour un type spécifique de pièce en plastique, en se concentrant sur un défaut appelé déviation de diamètre, qui est simplement la différence entre la largeur de la pièce et la taille prévue. Ils voulaient construire un modèle informatique capable de prédire cette erreur avec très peu de données, mais avec une nuance cruciale : le modèle devait être compréhensible. Au lieu de cacher la logique à l'intérieur d'une boîte noire, ils voulaient une règle mathématique claire qu'un ingénieur pourrait lire et laquelle il pourrait avoir confiance. Pour ce faire, ils ont combiné deux approches différentes. D'abord, ils ont utilisé une technique appelée régression symbolique, qui est essentiellement une recherche de l'équation la plus simple possible qui s'ajuste aux données. Ensuite, ils ont ajouté une seconde couche, un outil statistique appelé processus gaussien, pour capturer les détails petits et désordonnés que la première équation avait manqués. L'objectif était de créer un système hybride qui soit à la fois transparent et précis, même en travaillant avec seulement vingt-sept conditions de fonctionnement distinctes.

Les chercheurs ont commencé par rassembler des données provenant de deux campagnes expérimentales distinctes, qui ont produit ensemble 127 essais. Comme certains de ces essais répétaient les mêmes conditions, ils ont fait la moyenne des résultats pour créer un ensemble propre de vingt-sept scénarios représentatifs. À partir de là, ils ont sélectionné quatre contrôles principaux à étudier : la pression utilisée pour maintenir le plastique dans le moule, la contre-pression qui pousse contre lui, le temps total du cycle et la vitesse à laquelle le plastique est injecté. Plutôt que de nourrir directement ces quatre chiffres bruts dans l'ordinateur, l'équipe les a d'abord transformés en combinaisons plus significatives. Ils ont créé de nouvelles entrées qui représentaient des choses comme l'équilibre entre les pressions ou l'interaction entre la vitesse et le temps. Cette étape était cruciale car elle a donné à l'ordinateur un meilleur vocabulaire pour décrire le processus physique, lui permettant de trouver une règle plus simple et plus précise.

En utilisant ces données préparées, les chercheurs ont laissé l'algorithme de régression symbolique chercher la meilleure expression mathématique. Le résultat fut une équation compacte qui agissait comme le prédicteur principal. Cette équation a réussi à capturer la tendance dominante de la façon dont les réglages de la machine affectaient la taille de la pièce. Testée contre les données qu'elle n'avait pas vues lors de sa création, cette équation a prédit la déviation du diamètre avec une erreur d'environ 10,19 micromètres. Pour mettre cela en perspective, un cheveu humain mesure environ 70 à 100 micromètres d'épaisseur, donc le modèle prédisait des erreurs plus petites qu'un dixième de la largeur d'un cheveu. Bien qu'impressionnant, les chercheurs savaient qu'aucune équation unique ne pouvait capturer chaque infime fluctuation du processus de fabrication complexe. Il restait toujours de petites ondulations inexpliquées.

Pour traiter ces erreurs restantes, l'équipe a entraîné un second modèle, un processus gaussien, spécifiquement pour apprendre les erreurs commises par la première équation. Considérez ce second modèle comme un ajusteur de précision qui observe l'écart entre ce que la première équation prédisait et ce qui s'est réellement passé, apprenant ainsi à corriger l'erreur. Lorsqu'ils ont combiné les deux, le modèle hybride a obtenu de meilleurs résultats, réduisant l'erreur de prédiction à 9,32 micromètres. Cette amélioration, bien que paraissant faible en termes absolus, est statistiquement significative. Plus important encore, l'approche hybride a permis de garder la logique centrale de la première équation visible et compréhensible, tandis que la seconde partie gérait les détails désordonnés. Cela signifiait qu'un ingénieur pouvait toujours regarder la règle principale pour comprendre le comportement général de la machine, tout en comptant sur la couche de correction pour une plus grande précision.

Les chercheurs ont ensuite utilisé ces modèles pour poser une question pratique : quels réglages de machine produiraient la plus petite erreur possible ? Ils ont lancé une recherche d'optimisation pour trouver la combinaison idéale de pression, de vitesse et de temps dans la plage qu'ils avaient testée. La simple équation suggérait un scénario optimal avec une erreur d'environ 33,25 micromètres. Cependant, le modèle hybride, grâce à sa capacité à corriger les erreurs subtiles, a indiqué un autre ensemble de réglages qui pourrait théoriquement réduire l'erreur à seulement 23,73 micromètres. Ce changement a montré que l'ajout de la couche de correction n'améliorait pas seulement les chiffres ; il changeait réellement la recommandation sur la façon de faire fonctionner la machine. Les chercheurs ont noté que ces résultats étaient des prédictions basées sur leurs modèles et n'avaient pas encore été testés sur une machine réelle, mais que la différence était assez importante pour justifier un essai en conditions réelles.

Tout au long de l'étude, l'équipe a veillé à être honnête quant aux limites de son travail. Ils ont souligné que leur modèle était un guide local, valable uniquement pour la machine, le matériau et le moule testés, et non une loi universelle pour tout le moulage plastique. Ils ont également fait remarquer que, bien que leur modèle fournisse une mesure d'incertitude, montrant son degré de confiance dans ses prédictions, cette confiance n'avait pas été pleinement vérifiée par de nouvelles expériences indépendantes. Le véritable test viendrait lorsque les ingénieurs essaieraient les réglages recommandés sur le terrain de l'usine. L'étude conclut que cette approche hybride offre un compromis pratique pour les problèmes industriels où les données sont rares. Elle permet d'obtenir le meilleur des deux mondes : la clarté d'une équation simple et la flexibilité d'une correction statistique complexe, donnant aux ingénieurs un outil qui est à la fois intelligent et explicable.