Section 2 : Optimisation des paramètres de fabrication

Une fois le choix de la machine effectué et l’orientation de la pièce dans la chambre de construction définie, on passe à la détermination des paramètres de fabrication permettant d’atteindre les spécifications du CDC en termes de précision dimensionnelle, de qualité de surface, des propriétés mécaniques et de toute autre caractéristique de performance souhaitée. En effet, lors de la FA, plusieurs paramètres (qui varient d’une machine à l’autre) sont mis en jeu. Ces paramètres influent directement sur la qualité des pièces obtenues, ce qui exige une détermination avisée de leurs valeurs. Dans la pratique, le concepteur définit généralement les valeurs des paramètres de fabrication selon son expertise ainsi que selon d’autres facteurs comme le coût et le temps de fabrication. Cependant, ce choix n'est pas toujours optimal et reste subjectif ne garantissant pas l’achèvement de la qualité souhaitée.

Une bonne alternative est de procéder avec une des méthodes d’optimisation. Ceci consiste en une fonction dite «fonction objective», qui décrit l'objectif du processus, i.e. minimiser ou maximiser une caractéristique de performance, en un ensemble de variables d'entrée, dont on cherche la combinaison optimale, et en un ensemble de contraintes pouvant être liées à la configuration du problème et à ses caractéristiques physiques [78]. Plusieurs procédés de la FA ont été le sujet des recherches conduites en vue d’optimiser les propriétés mécaniques, la précision dimensionnelle, l’état de surface, etc., des pièces fabriquées, à titre d’exemple la FDM [79], la SLA [80], le SLM [23], l’EBM [81], le DLD (Direct Laser Deposition) [82], et le 3DP (binder jetting) [83].

Pour ce faire, des méthodes statistiques (i.e. rapport signal sur bruit (S/N), ANOVA (analyse de variance), GRA (Grey Relational analysis), surfaces de réponse (RSM), etc.), et informatiques (i.e. ANN (Réseaux de neurones artificielles), logique floue (Fuzzy logic), algorithme génétique, etc.), ou encore des combinaisons de celles-ci ont été appliquées pour modéliser et optimiser les procédés de fabrication qui sont, bien évidemment, des

systèmes complexes impliquant plusieurs paramètres qui peuvent même être contradictoires.

Le nombre des paramètres de la fonction objective, i.e. les sorties du système à optimiser (nombre des dimensions/des propriétés mécaniques/des états de surface à mesurer), est un facteur critique dans la détermination de la méthode d’optimisation à choisir. Dans le cas d’une seule sortie du système, des outils simples comme le rapport S/N ou l’ANOVA peuvent-être utilisés. Le cas échéant, l’application des méthodes dites de multi-optimisation peut être envisagée, ou, dans le cas des systèmes très complexes, des algorithmes d'apprentissage (machine Learning) peuvent-être développés et utilisés pour la modélisation et l’optimisation. L’algorithme d’optimisation suivi lors de la 2ème section de notre méthodologie est montré sur la figure 29.

2.1. Choix des paramètres contrôlables et leurs niveaux

Avant de procéder à l’optimisation d’un procédé, on doit se poser la question sur les paramètres contrôlables à choisir, i.e. ceux qui sont relatifs au produit ou au processus

de fabrication, sur lequel on peut facilement agir, et qui sont plus susceptibles d’influencer la caractéristique de performance étudiée. Ce choix est un peu délicat, néanmoins, il peut se faire sur la base des travaux faits sur des cas similaires, ou à partir des recommandations des experts (fabricants, concepteurs, etc.).

2.2. Établissement du plan d’expériences

Un plan d’expérience est une suite d’essais entièrement organisés préalablement de façon à définir l’influence des différents paramètres contrôlables sur les performances du système étudié en un minimum de nombre d’essais et avec un maximum de précision.

Pour établir le plan expérimental, la méthode la plus classique est le plan factoriel qui, bien qu’il donne des résultats très satisfaisants, il a l’inconvénient majeur du grand nombre d’expérimentations à faire qui augmente d’une manière significative avec l’augmentation du nombre des paramètres. Par conséquent, on propose de faire appel aux matrices orthogonales proposées par Taguchi. Les tailles de ces matrices varient en fonctions des paramètres contrôlables à tester et en fonction de leurs niveaux. À titre d’exemple, le tableau 3 présente la matrice orthogonale L9 qui signifie qu’il y a neuf expérimentations pour optimiser 4 paramètres variant selon 3niveaux.

Une fois le plan d’expérience est établi selon le nombre des facteurs et leurs niveaux de variation, on peut effectuer les expérimentations selon les combinaisons définies et collecter les mesures de la caractéristique de performance visée.

N° des essais Facteurs A B C D 1 1 1 1 1 2 1 2 2 2 3 1 3 3 3 4 2 1 2 3 5 2 2 3 1 6 2 3 1 2 7 3 1 3 2 8 3 2 1 3 9 3 3 2 1

Tableau 3. Matrice orthogonale L9

2.3. Définition des pièces tests

Une fois le plan expérimental établi, on doit choisir la géométrie sur laquelle les tests seront faits. En fait, selon la complexité de la géométrie de la pièce, selon son volume, et selon la performance à tester, plusieurs voies peuvent-être envisagées :

Dans le cas où la caractéristique de performance à optimiser est l’une des propriétés mécaniques, des prototypes pour la totalité de la pièce en question (même si elle a un large volume) doivent être fabriqués. Cependant, dans le cas où on envisage le test de l’effet des paramètres de fabrication sur la déviation dimensionnelle par exemple, on peut se restreindre aux parties les plus exigeantes de la pièce (i.e. les parties où des tolérances sévères sont requises).

Après la fabrication, c’est le tour de l’analyse statistique des résultats obtenus pour pouvoir déterminer la combinaison optimale des niveaux des paramètres permettant l’optimisation de la réponse du système.

2.4. Test de validation

Les résultats obtenus statistiquement ne seront pas valables que lorsqu’ils sont validés par un test de vérification. Ce test consiste en la ré-fabrication de la pièce-test en utilisant la combinaison des paramètres optimale obtenue préalablement. Les caractéristiques optimisées sont mesurées de nouveau pour la nouvelle pièce, et comparées avec les caractéristiques cibles. Si une amélioration dans les valeurs obtenues est constatée, on valide le test et on retient la combinaison des paramètres testés. Le cas échéant, on revient à l’étape de l’optimisation et on essaye de trouver une nouvelle combinaison, et on refait de nouveau le test de validation.