Soutenance mémoire
Les techniques analytiques
Elles regroupent plusieurs méthodes dont celles basées sur les relations de cout-tolérances, les fonctionnalités des produits ou encore les opérations. Chacune de ces techniques dispose également d’une multitude de déclinaisons différentes. Les modeles de cout-tolérances prennent racine dans les travaux de Speckart (1972), de Sutherland & Roth (1975), ou encore de Cheng & Maghsoodloo (1995). Ils ont tenté de définir les tolérances optimales pour minimiser les couts de production tout en gardant les pieces fonctionnelles. Les méthodes reposent sur l’utilisation de courbes d’ajustement a l’aide de fonction réciproque ou exponentielle de la forme de l’équation (2.2) avec A et B deux coefficients, n un entier et x la variation de la tolérance. Ces travaux ont ensuite été couplés a ceux de Taguchi (1986) et sa fonction de perte de qualité tel qu’illustré par la Figure 2.6. Les modeles conventionnels de couts basés sur les tolérances s’appuient essentiellement sur des analyses de régression des données empiriques fréquemment utilisées en fabrication. Le probleme de ces méthodes est de ne pas considérer les variations dans l’environnement de travail et donc d’etre sujettes a des erreurs d’adaptation.
Dong, Hu & Xue (1994) proposent alors plusieurs façons d’améliorer ces modeles en ayant recours a des courbes polynomiales de 4eme et 5eme ordre ou bien a des combinaisons de fonctions. Ces modeles de haut degré polynomial présentent moins d’erreurs d’adaptation, mais ont des formes plus complexes et nécessitent donc plus de parametres en entrée. De plus, si les données ne possedent aucune nature polynomiale, l’utilisation d’une telle méthode peut produire de grandes oscillations non voulues. Afin d’éviter certains de ces problemes, Yang, Mao, Zhang & Cao (2010) ont proposé l’utilisation d’un réseau neuronal flou permettant la prise en considération des changements dans l’environnement de travail. Toutefois, ce modele doit etre entrainé pour un type d’élément spécifique et ne permet donc pas de traiter la piece dans son ensemble, mais simplement les surfaces individuellement, ce qui constitue un inconvénient majeur.
Les modeles basés sur les opérations d’usinage ou la reconnaissance de forme, tels que présentés par Feng, Kusiak & Huang (1996) ou Xu, Fang & Gu (2006), servent essentiellement dans les dernieres phases de conception. Ainsi Jung (2002) proposa l’équation (2.3) ou Ro est le taux horaire opérateur, Rm le taux machine, Tsu le temps d’installation, Tot le temps d’opération, Q la taille du lot et Tno le temps de non-opération.
Ces modeles se basent sur les caractéristiques machines pour calculer le temps de production lié a chaque opération. Ces opérations sont déterminées par reconnaissance de surface et association des fonctions d’usinage correspondantes comme le montre la Figure 2.7. Cependant, une telle reconnaissance est souvent hasardeuse et mene a des opérations mal attribuées. Les temps qui en résultent sont faussés et l’estimateur doit alors les corriger. Aussi, tous les procédés ne sont pas pris en compte. C’est pourquoi ce type de modele rencontre des difficultés pour les pieces complexes. Finalement, on remarque que l’impact des tolérances sur le cout final est totalement absent du modele. A cause de la grande quantité d’informations requises, ces techniques sont, la plupart du temps, restreintes aux dernieres phases d’industrialisation du produit. Elles se résument a faire en amont le travail du programmeur CNC, ce qui est la plupart du temps considéré comme un inconvénient. Il serait plus rentable de faire la vraie gamme d’usinage puis de calculer directement le cout réel.
Les techniques intuitives
Les modeles intuitifs regroupent deux catégories majeure : le raisonnement par cas et les systemes d’aide a la décision. Par opposition aux techniques analogiques, ces systemes sont souvent plus rapides, donnent des résultats fiables et réussissent a mieux gérer les incertitudes. Rubio, De la Sen, Longstaff & Fletcher (2013) proposent un algorithme de regles de décision pour la sélection et l’optimisation des procédés d’usinage alors que Shehab & Abdalla (2001) présentent un systeme d’aide basé sur les connaissances pour le chiffrage durant les phases de conception préliminaires en y incorporant de la logique floue. L’ajout de logique floue leur permit notamment de mieux gérer les données imprécises. Les techniques d’aide a la décision cherchent donc principalement a réutiliser les connaissances des experts dans un domaine afin d’orienter l’utilisateur vers la bonne solution.
La représentation la plus commune consiste a stocker ces connaissances sous forme de regles de décision, ou alors sous la forme de systemes experts qui tentent de répliquer le processus de réflexion de l’humain. Ce type de technique est efficace a condition de maintenir les systemes a jour. Par contre, ils se limitent trop souvent a une seule famille de produits. Leur implémentation demande également beaucoup d’efforts, car il faut parvenir a transcrire ces connaissances en une base de données structurée. Le raisonnement par cas résout certaines de ces problématiques et constitue une des techniques les plus en vogue aujourd’hui. Sa popularité provient de sa capacité de réutiliser les connaissances de l’historique en plus d’etre personnalisable. Des études menées par Ficko et al. (2005) ou encore An, Kim & Kang (2007) essayent différentes techniques de raisonnement par cas.
Les deux études se basent sur l’abstraction des caractéristiques géométriques depuis le modele CAO dans le but de traduire cette géométrie sous forme vectorielle. Il est ainsi possible de calculer une distance entre les pieces. Dans le modele de Ficko et al. (2005), les composants vectoriels sont d’abord normalisés en fonction de leur importance dans le cout du produit. La distance peut s’exprimer par l’équation (2.4) ou Pi, représente la distance de la piece i, dj le coefficient de normalisation du parametre j, gc j et gs j respectivement le parametre j du cas cible et du cas source. D’une maniere générale, la procédure du raisonnement par cas suit le schéma de la Figure 2.8. Ces solutions ont de nombreux avantages. Elles fonctionnent rapidement, de façon transparente, on sait d’ou vient la solution, et il est possible de combiner différentes méthodes durant la phase d’adaptation des résultats. Les principaux inconvénients sont la nécessité d’extraire les parametres importants pour pouvoir comparer les pieces entre elles et d’utiliser une mesure de la similarité appropriée. Cela rend souvent chaque implémentation dépendante d’un type de piece. De plus, il est généralement assez difficile d’obtenir des tendances générales. Un autre des inconvénients évidents est le besoin d’une base de données de pieces existante. Nous remarquons par ailleurs qu’aucune des variations ne se base sur une mesure de similarité géométrique standardisée.
Le modèle 3D enrichi
Le modèle 3D enrichi, ou MBD pour Model-Based Definition, tel que décrit par Quintana, Rivest, Pellerin, Venne & Kheddouci (2010), comprend la géométrie 3D ainsi que l’ensemble des détails sur la fabrication du produit (les PMI). Ces informations incluent notamment les dimensionnements géométriques, les annotations, le matériau, les spécifications, les finitions et tout autre renseignement relié a la fabrication. Cela permet d’avoir une représentation complete de la piece dans un seul fichier. Historiquement, les dessins d’ingénierie étaient exigés pour fournir de tels détails, mais depuis 2003, grâce a la norme ASME Y14.41-2003 (qui fut révisée en 2012), l’utilisation des modeles 3D annotés est standardisée et approuvée. La Figure 2.11 montre un exemple de modele 3D enrichi. Liu & Qiao (2012) montrent les bénéfices du MBD et son utilisation dans les industries d’usinage. Selon Venne (2009), de plus en plus de compagnies aéronautiques et automobiles se tournent vers le MBD et prechent cette pratique lorsqu’il est question de réduire les temps de conception et de rassembler numériquement toutes les informations au meme endroit. Il convient de noter que cela est possible grâce au respect croissant des normes internationales dans l’industrie et a la capacité logicielle de transposer l’information sans perte de détails. L’arrivée de nouveaux formats de stockage tels que le PRC et le JT facilitent grandement cette transition qui proposent des fichiers plus petits, mais non dégradés en données comme le suggere Kheddouci (2010).
En effet, le format, dit de bas niveaux, PRC se charge d’encoder le modele pour offrir la représentation exacte de la géométrie tout en préservant la topologie native lors de sa reconstruction. De plus, il est capable d’interpréter toutes sortes de données non géométriques comme les tolérances, les annotations, les références, les symboles de rugosités, etc. Enfin, les spécifications du PRC, sont maintenant standardisées par la norme ISO 14739-1 :2014.
|
Table des matières
INTRODUCTION
CHAPITRE 1 PROBLÉMATIQUE, OBJECTIFS ET MÉTHODOLOGIE
1.1 Problématique
1.2 Objectifs
1.3 Déroulement du mémoire
CHAPITRE 2 ÉTAT DE L’ART ET DÉFINITION
2.1 Définitions
2.1.1 La notion de coûts
2.1.2 Spécification
2.1.3 Tolérance géométrique et annotation
2.1.4 La précision et la justesse
2.2 Les différentes méthodes d’estimation
2.2.1 Les approches quantitatives
2.2.1.1 Les techniques paramétriques
2.2.1.2 Les techniques analytiques
2.2.2 Les approches qualitatives
2.2.2.1 Les techniques analogiques
2.2.2.2 Les techniques intuitives
2.2.3 Synthèse des modèles conventionnels
2.2.4 Les nouvelles tendances de modèles hybrides
2.2.5 Les logiciels d’estimation
2.3 La gestion des connaissances numériques
2.3.1 Le modèle 3D enrichi
2.3.2 Les moteurs de recherche géométrique
2.4 Les connaissances tacites
CHAPITRE 3 CADRE DE RECHERCHE ET HYPOTHÈSES
3.1 Hypothèses retenues
3.2 Cadre de recherche
CHAPITRE 4 ÉTUDE EN INDUSTRIE
4.1 La procédure d’estimation
4.2 Les modèles utilisés
4.2.1 Observations générales
4.2.2 La diversité des modèles
4.2.2.1 Les entrants
4.2.2.2 Les coûts sortants
4.2.2.3 Les interactions et règles de décisions
4.3 Influence des connaissances tacites et de l’expertise
4.3.1 Sélection des pièces
4.3.2 Le processus de cotation
4.3.3 Analyses et discussions
4.4 Ouverture sur l’intérêt d’une nouvelle approche
CHAPITRE 5 DESCRIPTION DU MODÈLE GÉNÉRALISÉ
5.1 Contexte
5.2 Les paramètres et les relations
5.3 La notion d’origine et la décomposition
5.3.1 L’origine
5.3.2 La décomposition
5.4 La similarité
5.4.1 Généralités
5.4.2 Index de similarité
5.5 Indice de confiance
5.6 La notion de priorité et les niveaux d’assistance
5.6.1 Les priorités
5.6.2 Les niveaux d’assistance
CHAPITRE 6 ADAPTATION À L’ESTIMATION DES COÛTS EN USINAGE AÉRONAUTIQUE
6.1 Mise en place
6.1.1 Architecture des données
6.2 Le choix de la machine
6.3 Le coût matière
6.3.1 Le volume de matière brute
6.4 Le coût d’usinage
6.4.1 Calcul du temps d’usinage
6.4.1.1 Le temps d’usinage en fonction du volume à usiner
6.4.1.2 Le temps d’usinage en fonction de la surface totale
6.4.1.3 Le temps d’usinage en fonction des annotations
6.5 Le coût d’ébavurage
6.5.1 Calcul du temps d’ébavurage
6.6 Analyse de corrélation et de régression linéaire
6.6.1 Analyse primaire
6.6.2 Combinaison des composants du temps d’usinage
6.6.3 Analyse de régression linéaire
6.7 Influence de la similarité sur les corrélations et la régression
6.7.1 Calcul de l’index de similarité
6.7.2 Résultats et discussions
CHAPITRE 7 VALIDATION DU MODÈLE L’ESTIMATION DES COÛTS
7.1 Validation empirique
7.2 Estimation hors-contexte
7.3 Discussions des résultats
CONCLUSION ET RECOMMANDATIONS
ANNEXE I ARTICLE DE CONFÉRENCE PLM 2017
LISTE DE RÉFÉRENCES
Télécharger le rapport complet
