Malgré les capacités de la fabrication additive, produire des pièces en se contentant d’une approche par essais et erreurs reste chronophage et coûteux. En effet, vous ne saurez jamais le nombre de productions par lots que vous allez lancer avant d’obtenir les pièces souhaitées. De plus, il existe tellement de raisons pour lesquelles une erreur peut se produire, des erreurs qui vont au-delà de la simple conception et fabrication des pièces, qu’il est devenu crucial d’assurer des conditions de processus optimales au sein des machines, des processus et plus encore. La technologie Digital Twin (DT) pourrait être une solution potentielle pour surmonter de nombreux problèmes dans la fabrication additive, mais le manque de compréhension approfondie du concept DT, du cadre et des méthodes de développement constituent des facteurs clés qui ralentissent le développement et l’intégration de cette technologie dans les environnements de production de FA.
Le manque de compréhension du jumeau numérique peut souvent provenir de l’assimilation aux technologies de simulation. En réalité, il s’agit de bien plus qu’une simple « simulation ». Un processus de simulation reproduit ce qui pourrait arriver à un produit pendant le processus de fabrication, tandis qu’un jumeau numérique reproduit ce qui arrive à un produit spécifique réel dans le monde réel. Il est intéressant de noter que le concept de jumeau numérique va au-delà de ce qui peut arriver à un produit physique, pour englober la prédiction de la production et des performances dans des environnements spécifiques. Le jumeau numérique fait donc référence à une représentation virtuelle d’un produit ou d’un processus physique basée sur un programme informatique. Ce dernier utilise des données du monde réel pour créer des simulations permettant de prédire les performances d’un produit ou d’un processus.
Dans le domaine de la fabrication, un jumeau numérique est une copie virtuelle d’un composant du monde réel dans le processus de fabrication. Cela signifie qu’elle utilise les entrées d’un composant du monde réel pour reproduire l’état, la fonctionnalité et/ou l’interaction de la pièce réelle avec d’autres dispositifs.
Dans le domaine de la fabrication additive en particulier, la plus grande adoption des « jumeaux numériques » serait liée à la phase de conception et de fabrication, selon Duann Scott, consultant et fondateur de Bits to Atoms. « Je n’ai vu les performances que dans les tests pendant la phase d’itération de la conception, moins dans les performances d’une pièce fabriquée au fil du temps », affirme-t-il.
Même si toute industrie qui fabrique des produits soit susceptible d’utiliser la technologie des jumeaux numériques à un moment donné, nous nous attacherons ici à comprendre comment le concept est appliqué dans un environnement de production de FA. Pour ce faire, la première étape consiste à comprendre le potentiel de cette technologie et son cadre.
Quel cadre s’applique à l’utilisation du jumeau numérique dans la fabrication ?
Quel que soit le processus de fabrication utilisé, la première étape requise pour intégrer une technologie de jumeau numérique consiste à créer ou à donner accès à des représentations virtuelles des produits, des machines et des environnements que les organisations conçoivent, fabriquent ou exploitent.
Cette intégration repose donc sur l’incorporation d’outils de CAO ou de modélisation 3D, de dispositifs IoT/Connectés, de moteurs de jeu, de contrôle de version, de simulation multiphysique, d’analyse de données et de capacités d’apprentissage automatique pour démontrer l’impact des modifications de conception, des scénarios d’utilisation, des conditions environnementales et d’autres variables ; le but ultime étant de supprimer le besoin de prototypes physiques, de diminuer le temps de développement et d’améliorer la qualité du produit ou du processus finalisé.
« Pour garantir une modélisation précise tout au long de la durée de vie d’un produit ou de sa production, les jumeaux numériques utilisent des données provenant de capteurs installés sur des objets physiques pour déterminer les performances en temps réel de ces objets, leurs conditions de fonctionnement et leurs changements au fil du temps. À l’aide de ces données, le jumeau numérique évolue et se met à jour en permanence pour refléter tout changement apporté à son homologue physique tout au long du cycle de vie du produit, créant ainsi une boucle fermée de rétroaction dans un environnement virtuel qui permet aux entreprises d’optimiser en permanence leurs produits, leur production et leurs performances à un coût minimal », ont déclaré les experts de Siemens Digital Industries Software.
En outre, la convergence de ces technologies indique les différentes façons dont le jumeau numérique peut être utilisée dans les environnements de fabrication :
- Comme expliqué au début, pour éviter de passer par un processus d’essai et d’erreur, pour tester un nouveau produit, les jumeaux numériques peuvent être exploités pour tester les configurations mises à jour tout en réduisant le risque d’erreurs de calcul coûteuses. Ingersoll Machine Tools a exploré le concept de jumeau numérique de cette manière pour atteindre de meilleurs objectifs de retour sur investissement.
- En planifiant et en testant de nouvelles lignes de production à l’aide du jumeau numérique, les opérateurs peuvent facilement trouver les problèmes potentiels et les zones à optimiser avant de créer la ligne de production physique. Dans ce cas, le jumeau numérique permet d’améliorer la conception d’un système. C’est exactement ce qu’a fait Shell pour son site de production de Pulau Bukom à Singapour. Cette utilisation du jumeau numérique s’observe progressivement dans des domaines tels que la maintenance, la réparation, les révisions, etc. Decision Lab Ltd et Siemens ont développé un jumeau numérique, ATOM, qui émule les opérations mondiales de maintenance, de réparation et de révision (MRO) de la division des turbines à gaz aérodérivatives de Siemens. Le modèle ATOM (Agent-based Turbine Operations & Maintenance) est piloté par des données en direct déjà disponibles dans la chaîne d’approvisionnement. Il permet de visualiser les opérations de la flotte et des installations de maintenance, de saisir et de prévoir les indicateurs clés de performance (ICP) du système, et même d’exécuter rapidement un décor virtuel et détaillé pour aider à prendre une décision d’investissement.
- Étant donné la quantité d’informations vitales que les opérateurs recueillent souvent sur leurs machines – informations relatives à l’humidité, aux mouvements, aux vibrations, etc. – l’utilisation combinée d’appareils connectés IoT et de jumeaux numériques peut faciliter leur incorporation dans une vue complète d’un système, avec des données en temps réel. Ainsi, si un composant commence à développer un comportement inattendu, l’équipe de fabrication en sera informée avant qu’il n’ait la possibilité d’arrêter la production ou de devenir un danger. À ce stade, compte tenu des spécifications de chaque machine de fabrication pouvant être utilisée dans un environnement de production, il est souvent plus facile pour chaque OEM de développer des solutions de jumeau numérique susceptibles de répondre aux besoins spécifiques de leur technologie. C’est ce qu’a fait le fabricant de machines Solukon avec le développement de son outil Digital Factory Tool – qu’il améliore suite à un partenariat avec Authentise.
- Selon l’éditeur de logiciels Perforce, avec la technologie de jumeau numérique, les fabricants peuvent fournir des programmes de réalité augmentée (RA) aux techniciens de maintenance. Grâce aux lunettes de réalité augmentée, les techniciens peuvent visualiser les modèles les plus récents de la machine par-dessus celle qu’ils ont devant eux. Ils sont ainsi assurés de toujours disposer des bonnes lunettes au moment où ils en ont besoin.
Plusieurs projets – qui ont pour ambition de démontrer comment le concept de jumeau numérique peut servir l’industrie de FA – sont actuellement en cours. En outre, l’incorporation des technologies susmentionnées (outils de CAO ou de modélisation 3D, dispositifs connectés/Intranet, moteurs de jeu, contrôle de version, simulation multiphysique, analyse de données et capacités d’apprentissage automatique) a certainement un rôle à jouer dans la construction d’un jumeau numérique du matériel, des logiciels et des technologies connexes à la FA, mais il n’y a pas encore de consensus sur les bonnes technologies à exploiter pour chaque dispositif de fabrication. D’autre part, la plupart de ces technologies soulèvent leur lot de défis à relever.
Principaux défis à surmonter pour créer un jumeau numérique de FA dirigé par des systèmes d’application dynamiques pilotés par les données
Le concept de jumeau numérique est un défi à différents niveaux et, comme il est généralement logique de le déployer à grande échelle, le premier obstacle auquel les équipes de FA sont souvent confrontées est celui des données.
Selon Scott, « l’aspect le plus difficile de la mise en œuvre et du déploiement d’un jumeau numérique est que les données doivent généralement transiter par différents fournisseurs de logiciels et de matériel, ce qui en fait moins un jumeau numérique qu’un quintuplet numérique, à moins qu’il n’existe un format de fichier unifié répondant aux besoins de chaque logiciel. Faire collaborer des entreprises parfois concurrentes au nom du client pour s’assurer que les données sont communiquées sans perte ou fragilité due à des mises à jour de logiciels ou de micrologiciels peut être très difficile et prendre beaucoup de temps. »
Il est intéressant de noter que d’autres enjeux majeurs naviguent souvent autour de ce problème de données. Ils comprennent une représentation numérique en temps réel du domaine physique dans la fabrication additive, la base de données et les modèles, l’IoT et l’apprentissage machine (machine Learning.)
Pour réaliser le jumeau numérique en temps réel dans la FA, il est crucial d’obtenir le transfert de chaleur et la distribution thermique, la solidification du bain de fusion, la contrainte résiduelle et la distorsion, les structures et les propriétés des pièces imprimées en 3D ainsi que les conditions de fonctionnement des machines. Normalement, les capteurs appropriés peuvent obtenir certaines données telles que la distribution de la température.
« De nombreuses informations doivent être calculées et simulées, ce qui prend beaucoup de temps compte tenu des capacités informatiques actuelles. Actuellement, la prédiction de la distribution de la température à l’intérieur d’une pièce imprimée 3D qui est fabriquée avec des modèles d’éléments finis basés sur des mailles non propriétaires prendra au moins plusieurs heures, voire des jours », peut-on lire dans une recherche.
En outre, le jumeau numérique en FA a besoin de beaucoup de données pour entraîner le modèle et améliorer sa précision. Ces données peuvent provenir d’expériences, de capteurs et de simulations numériques. Cependant, il est difficile de collecter et de classer un volume suffisamment important de données utiles. En général, les concepts de l’Internet des objets (IoT) et de l’informatique en nuage peuvent être nécessaires. À ce jour, dans la production réelle, les big data obtenues à partir du cycle de vie d’un produit sont encore isolées, fragmentées et stagnantes car la convergence entre l’espace physique et l’espace virtuel du produit fait défaut, ce qui rendait difficile l’utilisation des données, explique la même recherche.
Néanmoins, une nuance est apportée pour les environnements de FA qui impliquent la modélisation. Un tel environnement nécessite beaucoup de modèles, donc trop de données pour les vérifier. Cependant, pour réduire la « charge de calcul », il y a un besoin de base de données des propriétés thermophysiques en fonction de la température pour les alliages d’ingénierie couramment utilisés.
Dans un autre ordre d’idées, pour adopter un jumeau numérique en FA, un système efficace d’Internet des objets est d’une importance capitale pour que chaque partie du système soit reliée. Comme on l’a vu avec l’usine numérique de Solukon, une connexion intelligente pour les capteurs, les équipements et le système doit être réalisée efficacement. Les quantités massives de données dans le processus additif joueront également un rôle clé dans la création d’un jumeau numérique qui interagit avec le domaine cybernétique au moyen de l’Internet des objets. Pour que cette opération se déroule sans heurts, les équipementiers doivent s’assurer qu’il existe un lien entre les systèmes brownfield existants et leurs données.
Quant à l’apprentissage automatique, cette technologie est importante car le jumeau numérique dépend du concept de conduite des données.
Grâce à l’apprentissage basé sur les données recueillies à partir de diverses ressources telles que la simulation, les expériences, la littérature, l’apprentissage machine pourrait faire des prédictions fiables sur la microstructure, les propriétés et les défauts. Cette technologie pourrait extraire des informations et des relations utiles à partir des données au lieu d’un guidage phénoménologique ou d’une programmation explicite ; et la résolution d’équations complexes à partir de problèmes physiques et mathématiques basés sur une compréhension phénoménologique pourrait être évitée. Ainsi, les calculs sont rapides. La recherche met l’accent sur la qualité et le volume des données qui décideront de la précision des prédictions. La bonne nouvelle est qu’il n’est pas difficile de créer des programmes d’apprentissage automatique une fois que nous disposons d’algorithmes bien testés, conviviaux et fiables.
Alors, comment favoriser l’adoption du jumeau numérique dans les environnements de production de FA ?
C’est vraiment bizarre à dire, mais la technologie du jumeau numérique peut être à la fois complexe et simple. Sa complexité réside dans les défis à relever – dont la plupart tournent autour des données -, tandis que sa simplicité réside dans l’éventail des possibilités qu’elle offre pour la prédiction des produits, de la production et des performances.
Parmi la courte liste de sociétés/collaborations logicielles qui développent et commercialisent actuellement des solutions de jumeau nuémrique pour l’industrie de la FA, on peut citer Siemens NX, Autodesk (l’extension Additive Simulation Extension disponible dans Netfabb et Fusion 360), Authentise et Nebumind, Intellegens & Ansys ainsi que Vertex.
A l’avenir, « le moyen le plus rapide d’adopter la numérisation du processus de fabrication est de donner à ceux qui travaillent dans l’usine les moyens de mettre en œuvre la connectivité et d’analyser les résultats. Nous assistons à de nouvelles vagues d’outils numériques qui rendent cette mise en œuvre possible, en faisant moins appel aux départements informatiques et aux responsables de l’information qui peuvent ralentir les choses pour obtenir l’adhésion. On dit souvent que chaque fois qu’une décision doit remonter la chaîne, vous avez deux fois moins de chances qu’elle soit comprise ou approuvée. En permettant aux personnes les plus proches de créer et de se connecter, le temps et le coût d’adoption sont plus faibles, et la possibilité de régler la connectivité rapidement [permet d’exploiter les données de la manière la plus efficace possible dans le cadre] du processus de fabrication », conclut Scott.
Ce dossier a été initialement publié dans le numéro de Mai/Juin de 3D ADEPT Mag. N’oubliez pas que vous pouvez poster gratuitement les offres d’emploi de l’industrie de la FA sur 3D ADEPT Media ou rechercher un emploi via notre tableau d’offres d’emploi. N’hésitez pas à nous suivre sur nos réseaux sociaux et à vous inscrire à notre newsletter hebdomadaire : Facebook, Twitter, LinkedIn & Instagram !