Le jumeau numérique permet d’optimiser la vitesse de fabrication tout en satisfaisant les contraintes de qualité

Selon une étude menée par des chercheurs de l'Université du Michigan publiée dans Accès IEEE.

« Ce travail est motivé par mon expérience dans le secteur de l'automatisation de la fabrication avant de rejoindre l'Université du Michigan », a déclaré Chinedum Okwudire, professeur de génie mécanique et de systèmes et de conception intégratifs à l'UM et auteur correspondant de l'étude.

Okwudire a remarqué que les fabricants passaient beaucoup de temps à peaufiner les paramètres des machines par essais et erreurs ou optaient pour une approche conservatrice, garantissant la qualité tout en sacrifiant le potentiel de productivité.

« Je me demandais si nous pouvions placer ce problème dans un cadre scientifique et pouvoir ensuite fournir à la machine des contraintes de qualité et lui permettre de trouver par elle-même les meilleurs paramètres de productivité », a déclaré Okwudire.

L’algorithme a atteint cet objectif, avec un test expérimental de la méthode réduisant le temps de cycle – ou le temps nécessaire pour produire une unité de sortie – de 38 % pour une machine-outil CNC de bureau à 3 axes et de 17 % pour une imprimante 3D de bureau.

« Ce sont des chiffres énormes dans le secteur de la fabrication. Pour une réduction du temps de cycle de 38 %, pour trois pièces produites, vous en produiriez désormais quatre dans le même laps de temps. C'est assez significatif quand on pense au fait de parcourir des milliers de pièces, « , a déclaré Okwudire.

Le modèle est largement applicable à tout contexte de fabrication qui utilise un entraînement d'alimentation (ou un outil pour transporter des matériaux vers un outil de coupe), y compris le fraisage, l'impression 3D et la robotique.

Les chercheurs ont développé la méthode à l’aide d’un jumeau numérique, un modèle virtuel qui imite le comportement d’un système réel, basé sur la physique de la machine et les données collectées en temps réel à partir de capteurs.

Les principes fondamentaux de la physique sont très utiles, mais l'exploitation des données en temps réel et de l'apprentissage automatique compense les lacunes de ce que la physique ne peut pas prédire, comme les variations causées par l'environnement spécifique dans lequel la machine est placée.

Une autre amélioration clé de ce cadre est la capacité à gérer l’incertitude. Les chercheurs ont programmé le jumeau numérique pour qu’il soit conscient de l’incertitude – dans ce cas, de la probabilité de produire des pièces en dehors des seuils de qualité. L'algorithme est capable de prendre des décisions sur la vitesse que vous pouvez atteindre compte tenu d'une rigueur de qualité.

Les fabricants qui préfèrent une approche plus agressive peuvent fixer des règles strictes pour permettre à 5 % des pièces produites de dépasser les seuils de qualité afin d'atteindre plus de vitesse. Un fabricant plus réticent à prendre des risques peut définir l’algorithme pour n’autoriser que 0,1 % des pièces à ne pas répondre aux normes de qualité.

« L'ajout de la conscience de l'incertitude au modèle reflète la façon dont les gens utilisent les machines. Il y a toujours un certain risque, mais tout le monde n'a pas la même tolérance au risque ou la même rigueur », a déclaré Okwudire.

Les chercheurs reconnaissent que pour rendre l’algorithme efficace sur le plan informatique, ils ont formulé certaines hypothèses sur la normalité statistique de l’incertitude qui peuvent ne pas être applicables à certaines utilisations.

« Nous sommes très enthousiastes à l'idée d'élargir nos travaux à d'autres applications en incluant des distributions d'incertitude sophistiquées », a déclaré Heejin Kim, doctorant en génie mécanique à l'UM et premier auteur de l'étude.

Rael Al Kontar de l'Université du Michigan était un autre co-auteur.