FR3113752A1 - Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances - Google Patents

Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances Download PDF

Info

Publication number
FR3113752A1
FR3113752A1 FR2008847A FR2008847A FR3113752A1 FR 3113752 A1 FR3113752 A1 FR 3113752A1 FR 2008847 A FR2008847 A FR 2008847A FR 2008847 A FR2008847 A FR 2008847A FR 3113752 A1 FR3113752 A1 FR 3113752A1
Authority
FR
France
Prior art keywords
tolerances
parts
risk
output
test value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR2008847A
Other languages
English (en)
Other versions
FR3113752B1 (fr
Inventor
Jean-Philippe NAVARRO
Julien Martin
Ambre DIET
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Airbus Operations SAS
Original Assignee
Airbus Operations SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Airbus Operations SAS filed Critical Airbus Operations SAS
Priority to FR2008847A priority Critical patent/FR3113752B1/fr
Priority to CN202110985786.7A priority patent/CN114118666A/zh
Priority to US17/459,232 priority patent/US20220067602A1/en
Publication of FR3113752A1 publication Critical patent/FR3113752A1/fr
Application granted granted Critical
Publication of FR3113752B1 publication Critical patent/FR3113752B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

L’invention propose de tirer profit d’un retour de données de mesures en production pour réaliser une gestion de risques liés au non-respect d’au moins une tolérance dimensionnelle d’une chaine de tolérances définie par un modèle de tolérance liant des valeurs de caractéristiques d’entrées à des valeurs d’exigences de sorties. Ainsi, l’invention propose un outil, un procédé et un système pour une gestion de risques automatique comportant un processeur (5) configuré pour :- sélectionner une caractéristique d’entrée, dite caractéristique cible (XT) dont la contribution dans ladite chaine de tolérances est supérieure à un seuil de contribution prédéterminé, - remplacer la valeur de ladite caractéristique cible (XT) par une valeur test, - déterminer une distribution statistique de sortie (C1) en fonction de chaque valeur test, - relever la part de non-respect des tolérances associées aux exigences de sortie, - évaluer un premier indicateur d’impact du risque de non-respect des tolérances associées aux exigences de sortie en fonction de chaque valeur de test, - évaluer un deuxième indicateur de sévérité du risque représentant la pondération du premier indicateur d’impact du risque par une probabilité d’occurrence de la valeur de test, et - définir un ensemble de critères de tri (CR1-CR4) graduées sur la base des premier et deuxième indicateurs. Figure pour l’abrégé : Figure 1.

Description

GESTION DE RISQUES LIES AU NON-RESPECT D’UNE TOLERANCE DIMENSIONNELLE D’UNE CHAINE DE TOLERANCES
La présente invention se rapporte au domaine général de l’assemblage de sous-ensembles d’un véhicule et plus particulièrement, à la gestion de risques liés au non-respect d’au moins une tolérance dimensionnelle d’une chaine de tolérances utilisée dans l’assemblage d’un ensemble de pièces correspondant à au moins une partie d’un véhicule.
Lors de la conception d’un véhicule, on cherche à définir les dimensions des différentes pièces à assembler ainsi que les tolérances acceptables garantissant un assemblage précis entre ces pièces. Les tolérances sont généralement définies avant le début des phases de production, dans une approche conservatrice.
L’approche conservatrice utilise en général une technique de définition de tolérances dite de type « pire cas » qui est basée sur la condition de maintenir la tolérance de sortie exigée pour n'importe quelle combinaison des dimensions réelles des éléments. Ceci garantit une grande précision.
Ainsi, si toutes les tolérances sont respectées, le résultat de l’assemblage sera bon. Toutefois, l’inverse n’est pas vrai. En effet, le résultat d’un assemblage peut aussi être bon, sans que toutes les tolérances soient respectées.
La technique actuelle couvre en général la phase de définition des tolérances mais ne couvre ni la revue ni l'estimation des risques lorsque les tolérances ne sont pas respectées.
En effet, il n’est pas du tout aisé de prévoir le risque pour n’importe quel assemblage des pièces, d’où le recours à une approche conservatrice qui garantit une grande précision mais qui en même temps peut générer beaucoup de gaspillage et de retards de fabrication du produit final.
L’objet de la présente invention est par conséquent, de proposer un procédé automatique pour gérer le risque lié au non-respect d’une des tolérances tout en s’assurant de l’absence d’impacts sur la performance, la sécurité, et la faisabilité du produit final.
La présente invention se rapporte à un outil pour une gestion de risques automatique liés au non-respect d’au moins une tolérance dimensionnelle d’une chaine de tolérances dans un contexte d’assemblage industriel d’un produit à partir d’un ensemble de pièces, ladite chaine de tolérances étant définie par un modèle de tolérance liant des valeurs de caractéristiques d’entrées représentatives des tolérances des pièces à assembler à des valeurs d’exigences de sorties représentatives des exigences des pièces assemblées, les valeurs de caractéristiques d’entrées et les valeurs d’exigences de sorties étant associées à des tolérances d’entrées et des tolérances de sorties respectivement, ledit outil comportant un processeur configuré pour :
- sélectionner une caractéristique d’entrée, dite caractéristique cible dont la contribution dans ladite chaine de tolérances est supérieure à un seuil de contribution prédéterminé,
- remplacer la valeur de ladite caractéristique cible par une valeur test parmi une suite de valeurs test représentatives d’éventuelles valeurs de mesures,
- déterminer la distribution statistique de sortie associée à chaque valeur test attribuée à la caractéristique cible formant ainsi un ensemble de distributions statistiques de sortie,
- relever la part de non-respect des tolérances associées aux exigences de sortie pour chaque distribution statistique de sortie,
- évaluer un premier indicateur d’impact du risque de non-respect des tolérances associées aux exigences de sortie en fonction de chaque valeur de test attribuée à la caractéristique cible,
- évaluer un deuxième indicateur de sévérité du risque représentant la pondération du premier indicateur d’impact du risque par une probabilité d’occurrence de la valeur de test correspondante attribuée à la caractéristique cible, et
- définir un ensemble de critères tri gradué sur la base des premier et deuxième indicateurs.
On notera qu’on teste plusieurs valeurs test pour simuler différentes mesures puis on établit la courbe de risque en post-traitant la collection de distributions de sortie obtenue.
Cet outil permet de gérer automatiquement les éléments physiques hors tolérances géométriques par rapport à un dossier de définition tout en s’assurant qu’ils n’auront pas d’impact sur la performance, la sécurité, la manufacturabilité ou toute fonction remplie par le produit final. L’outil permet de sélectionner des pièces optimales dans le but de garantir l’ensemble des exigences finales tout en étant robuste, et économiquement avantageux.
Avantageusement, le premier indicateur d’impact du risque correspond à une probabilité conditionnelle de ne pas respecter les tolérances associées aux exigences de sortie sachant qu’une valeur de test donnée (représentative d’une éventuelle valeur de mesure) a été attribuée à la caractéristique cible.
Ceci permet d’évaluer l’impact du risque d’une pièce hors tolérance.
Avantageusement, le deuxième indicateur de sévérité du risque correspond à la probabilité combinée d’obtenir ladite valeur de test donnée et de ne pas respecter les tolérances associées aux exigences de sortie, le deuxième indicateur de sévérité du risque correspondant ainsi au produit du premier indicateur d’impact par la probabilité d’occurrence de ladite valeur de test donnée.
Ceci permet d’évaluer avec plus de précision l’impact du risque d’une pièce non conforme aux tolérances prédéfinies en tenant compte de la probabilité d’occurrence de cette non-conformité aux tolérances prédéfinies.
Avantageusement, la définition dudit ensemble de critères de prises de décisions comporte : un premier critère selon lequel une pièce est acceptée en l’état sans prendre une action particulière, un deuxième critère selon lequel la pièce est acceptée en l’état en requérant des inspections complémentaires à un stade ultérieur, un troisième critère selon lequel la pièce est à réparer, et un quatrième critère selon lequel la pièce est à reformer.
Ceci permet d’adapter les critères d’acceptation d’une pièce à leur juste besoin dans le contexte industriel du moment et minimise les réparations ou éventuels reformages de pièces non conformes.
Avantageusement, le processeur est configuré pour déterminer les pièces aptes à être assemblées entre elles en triant les pièces selon les différents critères de tri.
Avantageusement, ladite valeur test est représentée par une distribution statistique de type distribution gaussienne centrée sur ladite valeur test ou une distribution de Dirac.
Ainsi, la distribution de la valeur test est adaptée aux données de mesures observées et selon l’imprécision de la mesure.
Avantageusement, la détermination de la distribution statistique de sortie relative à chaque valeur test est réalisée par un calcul statistique de type produit de convolution des valeurs de caractéristiques d’entrées, ou par une technique d’approximation numérique de type simulation Monte-Carlo.
Ceci permet de corréler avec précision la distribution statistique de sortie aux données d’entrées.
Avantageusement, ledit modèle de tolérance est alimenté dans une phase préalable d’apprentissage en données statistiques venant du retour des mesures réelles sur les pièces à assembler.
Ainsi, les mesures réelles d’entrées-sorties constituent un ensemble de données d’apprentissage à partir duquel, le modèle de tolérance est calibré.
Avantageusement, ledit modèle de tolérance est préalablement validé.
Ainsi, la validation du modèle de tolérance permet de garantir l’efficacité de prédiction du modèle.
Selon un mode de réalisation, ledit modèle de tolérance exprime une exigence de sortie Y selon une combinaison linéaire des caractéristiques d’entrées Xi, de la manière suivante :
où αiest un coefficient d’influence d’origine géométrique, et N représente le nombre de maillons de la chaine de tolérances.
Selon un mode de réalisation, ledit seuil de contribution prédéterminé est égal à 20% de la somme pire cas des maillons de la chaîne.
L’invention vise aussi un système d’assemblage industriel d’un produit à partir d’un ensemble de pièces, dont certaines pièces pouvant être non conformes aux tolérances géométriques, comportant :
- un outil de gestion de risques automatique selon l’une quelconque des caractéristiques précédentes, ledit outil de gestion étant adapté pour trier les pièces à assembler selon des premier, deuxième, troisième et quatrième critères de tri, les premier et deuxième critères de tri définissant celles aptes à être assemblées entre elles sans aucun risque, et
- des outils d’assemblage adaptés pour assembler uniquement les pièces satisfaisant les premier et deuxième critères de tri même si certaines d’entre elles pouvant être non conformes aux tolérances géométriques.
L’invention vise également un procédé d’utilisation de l’outil de gestion de risques selon l’une quelconque des caractéristiques précédentes pour l’assemblage d’un ensemble de pièces, comportant les étapes suivantes:
- recueillir les dimensions d’une pièce,
- tester si lesdites mesures sont conformes aux valeurs de tolérances dimensionnelles, si oui, la pièce est acceptée, sinon on passe à l’étape suivante,
- collecter les caractéristiques d’entrées relatives à ladite pièce,
- introduire lesdites caractéristiques d’entrées dans ledit modèle de tolérance pour récupérer l’ensemble de critères de prises de décisions graduées,
- tester si la pièce est conforme au premier critère, si oui on l’accepte en l’état sans prendre une action particulière, sinon on passe à l’étape suivante,
- tester si la pièce est conforme au deuxième critère, si oui on l’accepte en l’état en requérant des inspections complémentaires à un stade ultérieur, sinon on passe à l’étape suivante,
- tester si la pièce est conforme au troisième critère, si oui la pièce doit être réparée, sinon on passe à l’étape suivante, et
- tester si la pièce est conforme au quatrième critère, si oui la pièce doit être reformée.
Avantageusement, ledit ensemble de pièces correspond à au moins une partie d’un aéronef.
Avantageusement, ledit ensemble de pièces peut être un ensemble de pièces élémentaires ou un ensemble d’objets parmi les objets suivants : sections de fuselages, dérives, voilures, portes passagers, portes cargo, moteurs, nacelles, mats réacteurs, plans horizontaux et verticaux, trains d’atterrissages, éléments de la cabine ou autres pièces de l’aéronef.
D’autres avantages et caractéristiques de l’invention apparaîtront dans la description détaillée non limitative ci-dessous.
On décrira à présent, à titre d’exemples non limitatifs, des modes de réalisation de l’invention, en se référant aux dessins annexés, dans lesquels :
illustre de manière schématique un outil de gestion de risques automatique liés au non-respect d’au moins une tolérance dimensionnelle d’une chaine de tolérances, selon un mode de réalisation de l’invention;
est un organigramme illustrant de manière schématique des étapes réalisées par un outil pour une gestion de risques automatique liés au non-respect d’au moins une tolérance dimensionnelle, selon un mode de réalisation de l’invention;
est un graphique illustrant un abaque de risque représenté par un ensemble de courbes traçant des évolutions d’impacts de risques, selon un mode de réalisation de l’invention;
est un organigramme illustrant de manière schématique des étapes d’un procédé d’utilisation de l’outil de gestion de risques, selon un mode de réalisation de l’invention ; et
illustre de manière schématique un système d’assemblage utilisant l’outil de gestion de risques, selon un mode de réalisation de l’invention.
Le concept à la base de l’invention est de tirer profit d’un retour de données de mesures en production pour réaliser une gestion de risquesa posterioriliés au non-respect d’une ou de plusieurs tolérance(s) dimensionnelle(s) d’une chaine de tolérances.
La Fig. 1 illustre de manière schématique un système ou outil de gestion de risques automatique liés au non-respect d’au moins une tolérance dimensionnelle d’une chaine de tolérances, selon un mode de réalisation de l’invention.
Cet outil 1 comprend des interfaces d’entrée 3, un processeur de traitement de données 5, des mémoires et/ou serveurs de stockage de données 7, et des interfaces de sortie 9 comprenant une interface graphique 11.
Conformément à l’invention, l’outil 1 est adapté pour réaliser une gestion de risques automatique liés au non-respect d’au moins une tolérance dimensionnelle X d’une chaine de tolérances dans un contexte d’assemblage industriel d’un produit à partir d’un ensemble de pièces 13a-13d.
A titre d’exemple, le produit peut correspondre à au moins une partie d’un aéronef et plus particulièrement, à des sections de fuselage et de voilure d’un aéronef.
Par « ensemble de pièces » 13a-13d, on entend un ensemble de composantes partielles dont chacune peut être un sous-ensemble de pièces plus élémentaires. Par exemple, un aéronef peut être considéré comme étant composé de plusieurs pièces ou éléments comportant de manière non exhaustive : une cellule, un groupe motopropulseur, des commandes de vol, des servitudes de bord, un système avionique, et des emports internes ou externes. Chacun de ces éléments est lui-même un sous-ensemble composé de pièces plus élémentaires. Par exemple, la cellule comporte un fuselage, une voilure, des empennages et un train d'atterrissage. En outre, chaque élément du sous-ensemble est à son tour composé d’autres éléments et ainsi de suite. Par exemple, la voilure comporte deux ailes, des ailerons, et des pennes. En outre, la structure interne de chaque aile comprend des longerons et des nervures, etc.
L’assemblage d’un ensemble de pièces 13a-13d nécessite la détermination préalable d’une chaine de tolérances dimensionnelles correspondant à cet ensemble. La chaine de tolérances est définie par un modèle de tolérance 15 liant des valeurs de caractéristiques d’entrées Xi (par exemple, X1-X4) à des valeurs d’exigences de sorties Yj (Y1, Y2). Les valeurs de caractéristiques d’entrées et les valeurs d’exigences de sorties sont associées à des tolérances d’entrées et des tolérances de sorties respectivement.
Un modèle de tolérance, dans sa version la plus simple, linéaire, lie une exigence de sortie Y à des valeurs de caractéristiques d’entrées Xi à travers la formule suivante :
Les tolérances d’entrées associées aux valeurs de caractéristiques d’entrées Xi représentent les tolérances des pièces 13a-13d ou éléments à assembler entre eux. Les tolérances de sorties représentent les exigences des pièces 13a-13d assemblées. Le coefficient αiest un paramètre d’influence linéaire d’origine géométrique et N désigne le nombre d’éléments dans la chaîne d’assemblage. On notera que le coefficient αid’influence de la tolérance d’un élément sur la sortie Y, peut être égal à +1 ou -1 dans le cadre d’une chaine de tolérances dite unidimensionnelle 1D, et peut être égal à une valeur quelconque dans le cas d’une chaine de tolérances 2D ou 3D.
Conformément à l’invention, le processeur 5 en relation avec les serveurs de stockage de données 7 met en œuvre un algorithme d’apprentissage pour construire le modèle de tolérance.
Lors d’une phase préalable d’apprentissage, le modèle de tolérance 15 est alimenté par une masse de données statistiques stockées dans les serveurs de stockage de données 7 et venant du retour des mesures réelles sur les éléments ou pièces à assembler, peu importe leurs tolérances définies. Ainsi, les mesures réelles d’entrées-sorties constituent un ensemble de données d’apprentissage. Le processeur 5 utilise une première partie de l’ensemble de données d’apprentissage pour calibrer le modèle de tolérance 15 de sorte que ce dernier apprenne automatiquement à prédire les données de sorties de nouvelles données d’entrée. A titre d’exemple, le modèle de tolérance 15 peut présenter une approche conservatrice de définition de tolérances dite de type « pire cas ».
Les paramètres pris en compte dans l’ensemble de données d’apprentissage sont notamment le type de loi statistique représentant la population, sa dispersion (par exemple, l’écart-type pour une gaussienne), sa position (par exemple, la moyenne pour une gaussienne). Les maillons non mesurés sont remplacés par une loi conservatrice utilisant les paramètres définis des tolérances. A titre d’exemple, on peut utiliser une loi uniforme entre les limites définies des tolérances.
Avantageusement, le processeur 5 utilise une deuxième partie de l’ensemble de données d’apprentissage pour tester et valider le modèle de tolérance 15 garantissant ainsi son efficacité de prédiction. Ceci peut par exemple être réalisé par une technique d’apprentissage supervisée de sorte que les variations de données de sorties connues soient bien expliquées sur la base des variations de données d’entrées.
La Fig. 2 est un organigramme illustrant de manière schématique des étapes réalisées par un outil pour une gestion de risques automatique liés au non-respect d’au moins une tolérance dimensionnelle, selon un mode de réalisation de l’invention.
Initialement, à l’étape E0, les données d’entrées et d’initialisation relatives au modèle de tolérance sont enregistrées dans les mémoires 7 du système 1 via les interfaces d’entrée 3. Ainsi, le modèle de tolérance 15 liant des valeurs de caractéristiques d’entrées à des valeurs d’exigences de sorties définissant la chaine de tolérances est enregistré dans les mémoires 7 de l’outil 1.
A l’étape E1, le processeur 5 est configuré pour sélectionner une caractéristique d’entrée, dite caractéristique cible XT (i.e. un des maillons de la chaîne de tolérances) dont la contribution dans la chaine de tolérances est supérieure à un seuil de contribution prédéterminé. A titre d’exemple, le seuil de contribution prédéterminé est égal à 20% de la somme ‘pire cas’ des maillons de la chaîne.
Par ailleurs, les autres caractéristiques d’entrées sont considérées comme des caractéristiques contributrices Xc selon des capabilités usuelles.
A l’étape E2, le processeur 5 est configuré pour remplacer la valeur de la caractéristique cible XT par une valeur test V parmi une suite de valeurs test représentatives d’éventuelles valeurs de mesures possibles.
La valeur test V est exprimée par une distribution statistique représentative des données de mesures observées et de leurs éventuelles imprécisions. Elle peut être une distribution gaussienne centrée sur la valeur test prenant en compte la dispersion de la mesure selon la capabilité supposée de cette mesure. La valeur test peut aussi être exprimée par une distribution de Dirac représentant une valeur de mesure observée sans dispersion. Elle peut également être exprimée par d’autres types de distributions comme par exemple, une distribution uniforme.
A l’étape E3, le processeur 5 est configuré pour déterminer une distribution statistique de sortie C1 en fonction de chaque valeur test V attribuée à la caractéristique cible XT formant ainsi un ensemble de distributions statistiques de sortie.
A titre d’exemple, le processeur 5 est configuré pour déterminer la distribution statistique de sortie relative à chaque valeur test V en utilisant un calcul statistique de type produit de convolution des valeurs de caractéristiques d’entrées. En effet, le produit de convolution des distributions génère un lien entre les données d’entrées et les données de sorties qui peuvent être représentées par une courbe de sortie normalisée C1 (voir aussi Fig. 3).
On notera que la distribution statistique de sortie peut être réalisée par d’autres techniques comme par exemple la méthode d’approximation numérique de type simulation Monte-Carlo.
A l’étape E4, le processeur 5 est configuré pour relever la part de non-respect des tolérances associées aux exigences de sortie pour chaque distribution statistique de sortie. La part de non-respect des tolérances correspond à l’aire (sous la courbe de sortie normalisée C1) dépassant les limites L1 et L2 de tolérances prédéterminées. Celle-ci indique les exigences de sorties impactées par le non-respect des tolérances.
Les étapes E2-E4 sont lancées plusieurs fois de manière itérative avec une évolution incrémentale de la valeur test V. Ce processus itératif permet de déterminer l'évolution du risque de non-respect des tolérances sachant que la caractéristique cible V a été mesurée à une valeur spécifique va.
A l’étape E5, le processeur 5 est configuré pour évaluer un premier indicateur I1 d’impact du risque de non-respect des tolérances associées aux exigences de sortie en fonction de chaque valeur de test V attribuée à la caractéristique cible XT. Pour une mesure d’entrée donnée, le premier indicateur I1 d’impact est noté dans la suite ‘IRV’ (Impact du Risque Valorisé).
Ce premier indicateur d’impact du risque IRV correspond à une probabilité conditionnelle de ne pas respecter les tolérances associées aux exigences de sortie sachant qu’une valeur de test donnée (représentative d’une éventuelle valeur spécifique de mesure) a été attribuée à la caractéristique cible. En effet, si on désigne les termes « la caractéristique cible a été mesurée à la valeur spécifique va» par l’évènement ‘A’ ainsi que les termes « les exigences de sortie ne respectent pas les tolérances de sortie » par l’évènement ‘B’, alors le premier indicateur d’impact du risque est défini par la probabilité conditionnelle P(B|A) de l’évènement B sachant l’évènement A.
Ainsi, la valeur IRV d’une mesure donnée correspond à la valeur de la probabilité conditionnelle P(B|A) qui peut être exprimée en pourcentage. Néanmoins, il est avantageux de pondérer cette évaluation de l’impact du non-respect de la tolérance par une probabilité d’occurrence qui dans ce cas, correspond à la distribution statistique suivie par la population de la caractéristique cible.
En effet, à l’étape E6, le processeur 5 est configuré pour évaluer un deuxième indicateur I2 de sévérité du risque représentant la pondération du premier indicateur I1 d’impact du risque par une probabilité d’occurrence de la valeur de test correspondante attribuée à la caractéristique cible.
Ce deuxième indicateur I2 de sévérité du risque est un risque pondéré qui correspond à la probabilité combinée d’obtenir la valeur de test donnée (i.e. évènement A) ET de ne pas respecter les tolérances associées aux exigences de sortie (i.e. évènement B). Ainsi, le deuxième indicateur I2 de sévérité du risque correspond à la probabilité P(A,B) de l’évènement A ET de l’évènement B. Cette probabilité P(A,B) correspond alors, au produit du premier indicateur d’impact (i.e. P(B|A) ) par la probabilité d’occurrence de la valeur de test donnée (i.e. P(A) ) qui s’exprime par la formule de probabilité de Bayes ci-dessous :
L’ensemble d’indicateurs déterminés aux étapes précédentes peut être représenté par des courbes sur l’interface graphique 11 du système 1.
En effet, la Fig. 3 est un graphique illustrant un abaque de risque représenté par un ensemble de courbes traçant des évolutions d’impacts de risques, selon un mode de réalisation de l’invention.
L’ordonnée du graphique représente l’amplitude de la distribution et l’abscisse représente la tolérance en mm. Les deux lignes verticales en pointillés L1, L2 représentent l’intervalle de tolérance défini pour la caractéristique cible XT.
La courbe C1 est une distribution d’une valeur test attribuée à la caractéristique cible XT représentative de données de mesures observées et de leurs imprécisions.
La courbe C2 est une courbe en cuvette représentant le premier indicateur I1 d’impact indiquant le risque que l’exigence ne soit pas respectée en fonction de la valeur mesurée de la caractéristique cible XT.
La courbe C3 représente le deuxième indicateur I2 de sévérité du risque définissant le risque pondéré par la probabilité d’occurrence de la valeur attribuée à la caractéristique cible XT. Plus particulièrement, l’intégrale sous la courbe C3, réalisée entre deux limites données permet de quantifier le risque d’acceptation à tort d’une réalisation de la caractéristique cible XT. Cette valeur notée dans la suite ‘RIP’ (Risque Intégrateur Pondéré) indique la sévérité du risque en pourcentage.
L’ensemble des courbes C1-C3 ainsi obtenues représentent des abaques de risques et supportent la décision de critères d’acceptation étendus où le risque reste insignifiant.
En effet, à l’étape E7, le processeur 5 est configuré pour définir un ensemble de critères d’acceptation ou de tri CR1-CRngraduées sur la base des premier et deuxième indicateurs (ou abaque de risque C1-C3).
A titre d’exemple, on peut définir quatre critères de tri pour des valeurs d’IRV entre 0% et 20% et des valeurs de RIP entre 0% et 3%. Ces données sont des valeurs cibles expérimentales. Elles dépendent du risque tolérable par le système industriel et peuvent être affinées usine par usine, ou même caractéristique par caractéristique en fonction de leur criticité.
L’ensemble de critères de tri comporte : un premier critère CR1selon lequel une pièce est acceptée en l’état sans prendre une action particulière, un deuxième critère CR2selon lequel la pièce est acceptée en l’état en requérant des inspections complémentaires à un stade ultérieur, un troisième critère CR3selon lequel la pièce est à réparer, et un quatrième critère CR4selon lequel la pièce est à reformer.
Cet outil de gestion de risques automatique peut être appliqué à une très grande échelle afin de suivre les variations de capabilités des caractéristiques d’entrées. Les caractéristiques validées par cet outil peuvent suivre un processus simple et économiquement avantageux de suivi de la non-qualité.
Les critères de tri validés par cet outil peuvent avoir une durée de vie finie car les capabilités utilisées dans l’outil de gestion sont susceptibles d’évoluer progressivement. Un mécanisme d’alerte informant les utilisateurs ou révisant automatiquement ces critères peut être implémenté afin d’augmenter la durée d’application.
On notera que dans le mode de réalisation de l’outil de gestion selon la Fig. 2,des capabilités usuelles ont été utilisées pour les distributions associées aux caractéristiques contributrices (i.e. les caractéristiques d’entrées autres que la caractéristique cible).
En variante, on peut prendre en compte pour les distributions associées aux caractéristiques contributrices, des mesures éventuellement déjà réalisées à la place de leur capabilités usuelles, en s’assurant que l’appairage des différentes instances des caractéristiques en question soit bien associé à l’instance de l’assemblage. Dans ce cas, les critères d’acceptation seraient différents pour chaque instance d’assemblage. Cette alternative permet aussi de sélectionner les éléments physiques ayant le plus de chance de s’assembler entre eux si une comparaison entre plusieurs alternatives d’appairage des pièces est effectuée sur la base des valeurs IRV.
Avantageusement, l’interface graphique 11 du système 1 rend compte du résultat des calculs aux utilisateurs et peut s’imbriquer avec n’importe quel processus de gestion de la non-qualité en sa qualité d’outil d’évaluation des risques lié au non-respect des tolérances géométriques intermédiaires.
La Fig. 4 est un organigramme illustrant de manière schématique un procédé d’utilisation de l’outil de gestion de risques pour trier les pièces à assembler, selon un mode de réalisation de l’invention.
Au bloc B21, l’outil 1 de gestion recueille des mesures relatives aux dimensions d’une pièce. La pièce peut être un élément d’un ensemble de pièces élémentaires correspondant à au moins une partie d’un aéronef. Cet ensemble peut comporter des éléments parmi les objets suivants : sections de fuselages, dérives, voilures, portes passagers, portes cargo, moteurs, nacelles, mats réacteurs, plans horizontaux et verticaux, trains d’atterrissages, éléments de la cabine ou autres pièces de l’aéronef.
Au bloc B22, l’outil 1 de gestion teste si ces mesures sont conformes aux valeurs de tolérances dimensionnelles ‘Tol’.
Si oui (i.e. si les mesures sont conformes), la pièce est acceptée au bloc B23 sans aucune action supplémentaire, sinon on passe à l’étape suivante.
Au bloc B24, l’outil de gestion collecte les capabilités des caractéristiques d’entrées relatives à la pièce formant ainsi les données d’entrées du modèle de tolérance.
Au bloc B25, à partir des données de sortie du modèle de tolérance (bloc B26), l’outil de gestion génère les abaques de risques qui peuvent être affichées sur l’interface graphique 11.
Au bloc B27, l’outil de gestion génère un choix gradué des critères de tri CR1,…,CRn. A titre d’exemple, on considère dans la suite quatre critères de tri CR1,…,CR4.
Au bloc B28, l’outil de gestion teste si la pièce est conforme au premier critère CR1, si oui, la pièce est acceptée en l’état (bloc B29) sans prendre une action particulière, sinon on passe au bloc suivant.
Au bloc B30, l’outil de gestion teste si la pièce est conforme au deuxième critère CR2. Si oui, la pièce est acceptée en l’état en requérant des inspections complémentaires à un stade ultérieur (bloc B31), sinon on passe au bloc suivant.
Au bloc B32, l’outil de gestion teste si la pièce est conforme au troisième critère CR3. Si oui la pièce doit être réparée (bloc B33), sinon on passe au bloc suivant.
Au bloc B34, l’outil de gestion teste si la pièce est conforme au quatrième critère CR4. Si oui la pièce doit être reformée (bloc B35).
Ainsi, l’outil de gestion permet de trier les pièces à assembler selon les différents critères de tri déterminant par conséquent, les pièces aptes à être assemblées entre elles.
La Fig. 5 illustre de manière schématique un système d’assemblage industriel utilisant l’outil de gestion de risques, selon un mode de réalisation de l’invention.
Le système d’assemblage 41 industriel comporte l’outil de gestion de risques 1 automatique décrit en référence aux Figs. 1 et 2 ainsi que des outils industriels d’assemblage 45.
Conformément à un mode de réalisation de l’invention, le système d’assemblage 41 industriel est destiné à assembler un produit final 14 à partir d’un ensemble de pièces 13a-13d, dont certaines pièces peuvent être non conformes aux tolérances géométriques.
Comme décrit précédemment, l’outil de gestion de risques 1 est adapté pour trier les pièces à assembler selon des premier, deuxième, troisième et quatrième critères de tri. Le processeur 5 est configuré pour déterminer les pièces aptes à être assemblées entre elles en triant les pièces selon les différents critères de tri. Plus particulièrement, les premier et deuxième critères de tri définissent les pièces pouvant être assemblées entre elles sans aucun risque.
A titre d’exemple, la Fig. 5 montre que seules les pièces 13b-13d sont aptes à être assemblées tandis que la pièce 13a doit être reformée.
En outre, les outils d’assemblage 45 sont adaptés pour assembler uniquement les pièces 13b-13d satisfaisant les premier et deuxième critères de tri même si certaines d’entre elles peuvent être non conformes aux tolérances géométriques.
Le système d’assemblage permet ainsi de trier les pièces et d’assembler celles qui n’auront pas d’impacts sur la performance du produit final même si certaines présentent des tolérances géométriques non conformes.
La présente invention permet d’accepter certains éléments de tolérances géométriques non conformes au dossier de définition tout en s’assurant qu’ils n’auront pas d’impacts sur la performance, la sécurité, la manufacturabilité ou toute fonction remplie par le produit final. En outre, l’invention permet de sélectionner et d’assembler des combinaisons de pièces optimales dans le but de garantir l’ensemble des exigences du produit final. De plus, l’invention permet d’adapter les critères d’acceptation d’une pièce à leur juste besoin dans le contexte industriel du moment et minimise les réparations ou éventuels reformage de pièces non conformes.

Claims (15)

  1. Outil de gestion de risques automatique liés au non-respect d’au moins une tolérance dimensionnelle d’une chaine de tolérances dans un contexte d’assemblage industriel d’un produit à partir d’un ensemble de pièces, ladite chaine de tolérances étant définie par un modèle de tolérance (15) liant des valeurs de caractéristiques d’entrées représentatives des tolérances des pièces à assembler à des valeurs d’exigences de sorties représentatives des exigences des pièces assemblées, les valeurs de caractéristiques d’entrées et les valeurs d’exigences de sorties étant associées à des tolérances d’entrées et des tolérances de sorties respectivement, caractérisé en ce qu’il comporte un processeur (5) configuré pour :
    - sélectionner une caractéristique d’entrée, dite caractéristique cible (XT) dont la contribution dans ladite chaine de tolérances est supérieure à un seuil de contribution prédéterminé,
    - remplacer la valeur de ladite caractéristique cible (XT) par une valeur test parmi une suite de valeurs test représentatives d’éventuelles valeurs de mesures,
    - déterminer une distribution statistique de sortie (C1) en fonction de chaque valeur test attribuée à la caractéristique cible formant ainsi un ensemble de distributions statistiques de sortie,
    - relever la part de non-respect des tolérances associées aux exigences de sortie pour chaque distribution statistique de sortie,
    - évaluer un premier indicateur (I1) d’impact du risque de non-respect des tolérances associées aux exigences de sortie en fonction de chaque valeur de test attribuée à la caractéristique cible,
    - évaluer un deuxième indicateur (I2) de sévérité du risque représentant la pondération du premier indicateur d’impact du risque par une probabilité d’occurrence de la valeur de test correspondante attribuée à la caractéristique cible, et
    - définir un ensemble de critères (CR1-CR4) de tri gradué sur la base des premier et deuxième indicateurs.
  2. Outil selon la revendication 1, caractérisé en ce que le premier indicateur (I1) d’impact du risque correspond à une probabilité conditionnelle de ne pas respecter les tolérances associées aux exigences de sorties sachant qu’une valeur de test donnée a été attribuée à la caractéristique cible.
  3. Outil selon la revendication 1 ou 2, caractérisé en ce que le deuxième indicateur (I2) de sévérité du risque correspond à la probabilité combinée d’obtenir ladite valeur de test donnée et de ne pas respecter les tolérances associées aux exigences de sortie, le deuxième indicateur de sévérité du risque correspondant ainsi au produit du premier indicateur d’impact par la probabilité d’occurrence de ladite valeur de test donnée.
  4. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que la définition dudit ensemble de critères de prises de décisions comporte : un premier critère (CR1) selon lequel une pièce est acceptée en l’état sans prendre une action particulière, un deuxième critère (CR2) selon lequel la pièce est acceptée en l’état en requérant des inspections complémentaires à un stade ultérieur, un troisième critère (CR3) selon lequel la pièce est à réparer, et un quatrième critère (CR4) selon lequel la pièce est à reformer.
  5. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que le processeur est configuré pour déterminer les pièces aptes à être assemblées entre elles en triant les pièces selon les différents critères de tri.
  6. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que ladite valeur test est représentée par une distribution statistique de type distribution gaussienne centrée sur ladite valeur test ou une distribution de Dirac.
  7. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que la détermination de la distribution statistique de sortie relative à chaque valeur test est réalisée par un calcul statistique de type produit de convolution des valeurs de caractéristiques d’entrées, ou par une technique d’approximation numérique de type simulation Monte-Carlo.
  8. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que ledit modèle de tolérance (15) est alimenté dans une phase préalable d’apprentissage en données statistiques venant du retour des mesures réelles sur les pièces à assembler.
  9. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que ledit modèle de tolérance (15) est préalablement validé.
  10. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que ledit modèle de tolérance exprime une exigence de sortie Y selon une combinaison linéaire des caractéristiques d’entrées Xi, de la manière suivante :


    où αiest un coefficient d’influence d’origine géométrique, et N représente le nombre de maillons de la chaine de tolérances.
  11. Outil selon l’une quelconque des revendications précédentes, caractérisé en ce que ledit seuil de contribution prédéterminé est égal à 20% de la somme pire cas des maillons de la chaîne.
  12. Système d’assemblage industriel d’un produit à partir d’un ensemble de pièces, dont certaines pièces pouvant être non conformes aux tolérances géométriques, caractérisé en ce qu’il comporte :
    - un outil de gestion de risques automatique selon l’une quelconque des revendications précédentes, ledit outil de gestion étant adapté pour trier les pièces à assembler selon des premier, deuxième, troisième et quatrième critères de tri, les premier et deuxième critères de tri définissant celles aptes à être assemblées entre elles sans aucun risque,
    - des outils d’assemblage adaptés pour assembler uniquement les pièces satisfaisant les premier et deuxième critères de tri même si certaines d’entre elles pouvant être non conformes aux tolérances géométriques.
  13. Procédé d’assemblage utilisant l’outil de gestion de risques selon l’une quelconque des revendications précédentes pour l’assemblage d’un ensemble de pièces, caractérisé en ce qu’il comporte les étapes suivantes:
    - recueillir les dimensions d’une pièce,
    - tester si lesdites mesures sont conformes aux valeurs de tolérances (Tol) dimensionnelles, si oui, la pièce est acceptée, sinon on passe à l’étape suivante,
    - collecter les caractéristiques d’entrées relatives à ladite pièce,
    - introduire lesdites caractéristiques d’entrées dans ledit modèle de tolérance (15) pour récupérer l’ensemble de critères de prises de décisions graduées,
    - tester si la pièce est conforme au premier critère (CR1), si oui on l’accepte en l’état sans prendre une action particulière, sinon on passe à l’étape suivante,
    - tester si la pièce est conforme au deuxième critère (CR2), si oui on l’accepte en l’état en requérant des inspections complémentaires à un stade ultérieur, sinon on passe à l’étape suivante,
    - tester si la pièce est conforme au troisième critère (CR3), si oui la pièce doit être réparée, sinon on passe à l’étape suivante, et
    - tester si la pièce est conforme au quatrième critère (CR4), si oui la pièce doit être reformée.
  14. Procédé selon la revendication 13, caractérisé en ce que ledit ensemble de pièces correspond à au moins une partie d’un aéronef.
  15. Procédé selon la revendication 14, caractérisé en ce que ledit ensemble de pièces peut être un ensemble de pièces élémentaires ou un ensemble d’objets parmi les objets suivants : sections de fuselages, dérives, voilures, portes passagers, portes cargo, moteurs, nacelles, mats réacteurs, plans horizontaux et verticaux, trains d’atterrissages, éléments de la cabine ou autres pièces de l’aéronef.
FR2008847A 2020-08-31 2020-08-31 Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances Active FR3113752B1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
FR2008847A FR3113752B1 (fr) 2020-08-31 2020-08-31 Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances
CN202110985786.7A CN114118666A (zh) 2020-08-31 2021-08-26 与不符合公差链中的尺寸公差相关的风险管理
US17/459,232 US20220067602A1 (en) 2020-08-31 2021-08-27 Management of risks related to the lack of compliance with a dimensional tolerance in a tolerance chain

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2008847 2020-08-31
FR2008847A FR3113752B1 (fr) 2020-08-31 2020-08-31 Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances

Publications (2)

Publication Number Publication Date
FR3113752A1 true FR3113752A1 (fr) 2022-03-04
FR3113752B1 FR3113752B1 (fr) 2023-12-22

Family

ID=73401722

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2008847A Active FR3113752B1 (fr) 2020-08-31 2020-08-31 Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances

Country Status (3)

Country Link
US (1) US20220067602A1 (fr)
CN (1) CN114118666A (fr)
FR (1) FR3113752B1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11821758B2 (en) * 2021-03-25 2023-11-21 Pratt & Whitney Canada Corp. Validation of a measurement machine

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005174014A (ja) * 2003-12-11 2005-06-30 Sharp Corp 部品クリアランスチェック装置
US20090164177A1 (en) * 2007-12-14 2009-06-25 Fujitsu Limited Tolerance analyzing/calculating system, tolerance analyzing method, and storage medium

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5820391B2 (ja) * 1979-09-27 1983-04-22 株式会社デンソー 内燃機関用無接点点火装置
US5956251A (en) * 1995-06-28 1999-09-21 The Boeing Company Statistical tolerancing
JP2008500538A (ja) * 2004-05-24 2008-01-10 バイエル コーポレイション 磁気粒子再懸濁プローブ・モジュール
DE602005018585D1 (de) * 2004-10-05 2010-02-11 Dassault Systemes Solidworks Automatische Berechnung des Minimums und Maximums einer Stapelbautoleranz
US10820920B2 (en) * 2017-07-05 2020-11-03 Ethicon Llc Reusable ultrasonic medical devices and methods of their use

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005174014A (ja) * 2003-12-11 2005-06-30 Sharp Corp 部品クリアランスチェック装置
US20090164177A1 (en) * 2007-12-14 2009-06-25 Fujitsu Limited Tolerance analyzing/calculating system, tolerance analyzing method, and storage medium

Also Published As

Publication number Publication date
US20220067602A1 (en) 2022-03-03
FR3113752B1 (fr) 2023-12-22
CN114118666A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
US10504305B2 (en) Statistically equivalent level of safety modeling for aircraft fleets
Lee et al. System for assessing aviation’s global emissions (SAGE), part 2: uncertainty assessment
Xiang et al. n Subpopulations experiencing stochastic degradation: reliability modeling, burn-in, and preventive replacement optimization
EP2859421B1 (fr) Prévision d'opérations de maintenance à appliquer sur un moteur
CN108920341B (zh) 一种基于蒙特卡洛仿真的小卫星及其星座可用度评估方法
FR3113752A1 (fr) Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances
EP2862031B1 (fr) Procédé de génération d'un modèle de calcul simplifié et procédé de prédiction de l'utilisation de la durée de vie d'un composant
Kritsky et al. A method for assessing the impact of technical risks on the aerospace product development projects
CN111143981A (zh) 虚拟试验模型验证系统及方法
CN109657260B (zh) 一种考虑失效相关性的涡轮转子系统可靠性分配方法
CN101527016A (zh) 出入境检验检疫符合性条件的筛选方法
CN116611686A (zh) 一种基于组合赋权-云模型的充填管道堵塞等级评价方法
Rana et al. Analysing defect inflow distribution of automotive software projects
CN113592295A (zh) 产品可靠性综合评估方法与系统、设备、介质
Belu et al. APPLICATION OF FMEA METHOD IN PRODUCT DEVELOPMENT STAGE.
Gao et al. Residual lifetime prediction with multistage stochastic degradation for equipment
Li et al. Comprehensive performance expression model for industrial performance management and decision support
FR3103046A1 (fr) Procédé de détermination d’une chaine de tolérances dimensionnelles
Salam et al. Estimating design effort for the compressor design department: a case study at Pratt & Whitney Canada
CN111047356B (zh) 一种交通班次的价值评估方法及装置
Bhachu et al. Aircraft tolerance optimization considering quality, manufacturing & performance
Diao et al. Estimating Cancellation Costs for Real-Time Decision Support
US8914257B1 (en) Simulating a surface of a structure
KR20230166364A (ko) 무기체계의 신뢰도 예측 방법 및 장치
Xin-wei et al. Value Measurement in the Voice of the Customer

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20220304

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4