Dossier initialement publié dans le numéro de mai/juin 2022 de 3D ADEPT Mag. Les entretiens et exemples reflètent cette période ; les recherches citées doivent être lues avec leur date et leur périmètre.
En fabrication additive, une succession d’essais sans modèle ni retour structuré sur les résultats peut prendre du temps et coûter cher. Le jumeau numérique — Digital Twin, ou DT — peut aider à comprendre un procédé et à préparer les décisions. Encore faut-il définir ce qu’il représente, les données qui l’alimentent et les résultats que l’on souhaite valider.
Un jumeau numérique est une représentation numérique d’un objet, d’un procédé ou d’un système physique, reliée à des données sur son état. Il peut inclure des simulations, mais un modèle de CAO ou une simulation isolée ne suffit pas à le définir. La fréquence des mises à jour et le niveau de détail dépendent de l’usage : une synchronisation permanente en temps réel n’est pas une exigence universelle.
Le rapport du NIST de 2021 sur le cadre ISO 23247 présente plusieurs scénarios d’implémentation dans l’industrie.
Dans un atelier, les données d’un composant ou d’une machine peuvent ainsi être associées à sa représentation pour étudier son fonctionnement et ses interactions avec les autres équipements.
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.
Ce dossier examine l’application de ce concept à la production additive, ses possibilités et les conditions de son déploiement.
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.
Selon le besoin, l’intégration peut mobiliser la CAO, des équipements connectés, la gestion des versions, la simulation multiphysique, l’analyse de données ou l’apprentissage automatique. Tous ces outils ne sont pas nécessaires à chaque projet. L’objectif peut être de réduire les essais physiques et le temps de développement ; le modèle doit lui-même être validé et ne remplace pas automatiquement les essais de qualification.
« 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.
Ces outils peuvent répondre à plusieurs besoins industriels :
- Préparer les décisions de production. La simulation de configurations et de lignes peut aider à repérer des contraintes avant un investissement. Le cas d’Ingersoll Machine Tools illustre cette démarche. Le projet annoncé par Shell à Pulau Bukom constitue un autre exemple industriel ; ces cas ne sont pas tous des applications de FA.
- Étudier la maintenance. Decision Lab et Siemens ont développé ATOM pour simuler les opérations de maintenance d’une flotte de turbines. Le modèle permet d’examiner des scénarios, les ressources et les indicateurs de performance.
- Relier les données de l’atelier. Le Digital Factory Tool de Solukon collecte des données de dépoudrage et propose des interfaces d’intégration. Cette connectivité peut alimenter une démarche de jumeau numérique, sans constituer à elle seule un jumeau complet. La surveillance peut signaler une dérive ; elle ne garantit pas l’anticipation de toute panne.
- Assister les techniciens. La réalité augmentée peut superposer un modèle ou des spécifications à l’équipement observé, à condition que les données soient à jour.
En 2022, plusieurs projets cherchaient à adapter ces approches à la fabrication additive. Le choix des technologies dépend de la machine, du procédé, de l’information disponible et de la décision à prendre. Il n’existe pas une combinaison unique adaptée à tous les équipements.
Les défis : données, modèles et intégration
La qualité et la circulation des données constituent des obstacles majeurs, y compris pour un projet limité à une machine ou à un cas d’usage.
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. »
Ces difficultés concernent aussi la représentation du procédé, les bases de données, les modèles physiques et leur connexion aux équipements.
Pour un procédé métallique avec fusion, les phénomènes pertinents peuvent comprendre les transferts thermiques, la solidification, les contraintes résiduelles et les déformations. Tous ne sont pas mesurables directement : les capteurs et les simulations apportent des informations complémentaires. Les paramètres nécessaires sont différents pour d’autres procédés de FA.
« 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.
Ce passage provient de l’état de l’art publié par Zhang et ses coauteurs en novembre 2020. Les durées de calcul évoquées dépendent du modèle, du maillage et des moyens de calcul ; elles ne constituent pas une mesure de toutes les solutions actuelles.
Les modèles fondés sur les données peuvent exploiter des expériences, des capteurs et des simulations. La collecte, le classement, la provenance et la cohérence des données doivent être organisés. Le cloud peut faciliter certains traitements, sans être obligatoire dans toute architecture.
Pour les modèles physiques, des propriétés thermophysiques fiables, notamment en fonction de la température, sont nécessaires. Leur disponibilité ne supprime pas à elle seule le coût du calcul ni le besoin de validation.
L’intégration doit aussi prendre en compte les équipements déjà en service, parfois désignés comme systèmes brownfield. Interfaces, formats, horodatage, droits d’accès et suivi des versions conditionnent la cohérence des échanges entre capteurs, machines et modèles.
L’apprentissage automatique est une possibilité parmi d’autres ; tout jumeau numérique n’en dépend pas.
Il peut aider à estimer des propriétés ou à détecter des défauts à partir de données adaptées. Sa rapidité éventuelle à l’utilisation ne dispense pas de préparer les données, d’entraîner le modèle et de vérifier ses résultats sur des cas indépendants. La représentativité des données, l’incertitude et les limites d’emploi comptent autant que leur volume.
Alors, comment favoriser l’adoption du jumeau numérique dans les environnements de production de FA ?
Pour avancer, un projet doit partir d’une décision concrète à améliorer, puis préciser les données, les modèles et les critères de validation nécessaires.
Les exemples cités en 2022 comprenaient Siemens NX, Autodesk avec Netfabb et Fusion 360, Authentise et Nebumind, Intellegens et Ansys, ainsi que Vertex. Ils couvraient différentes fonctions de simulation, d’analyse et de connexion des données : chaque outil ne constituait pas à lui seul un jumeau numérique complet. Cette liste n’est pas un catalogue des offres actuelles.
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 2022 de 3D ADEPT Mag.
LA NEWSLETTER HEBDOMADAIRE DE 3D ADEPT
L’industrie évolue. Gardez une longueur d’avance.
Chaque semaine, l’essentiel de la fabrication additive : actualités industrielles, dossiers de fond et applications concrètes, sélectionnés par notre rédaction. Vous êtes aussi les premiers informés de la sortie de chaque numéro de 3D ADEPT Mag.
Gratuit · Un e-mail par semaine · Désinscription à tout moment
En cliquant, vous chargez le formulaire de notre prestataire d’e-mailing, ainsi que ses statistiques et la protection anti-robots de Google. Votre inscription n’est enregistrée que si vous la validez. Consultez notre politique de confidentialité