Conference PaperPDF Available

Abstract and Figures

Désormais normalisée avec l'ISO 18391 [1], le tolérancement statistique commence à être très utilisé dans l'industrie. Parmi les différentes formes de tolérancement statistique, le tolérancement inertiel propose une approche originale permettant de garantir la conformité de la fonction attendue en lien avec un niveau de confiance (géré par l'indicateur Cpk sur la caractéristique résultante) en suivant une statistique unique en production : l'Inertie. Plusieurs calculs de l'inertie ont été proposés, toujours dans le cas de relations linéaires indépendantes. Cependant, dans l'optimisation d'un mécanisme, le tolérancement amène à résoudre des relations linéaires non indépendantes. Les solutions proposées dans la littérature sont alors mises en défaut. Nous proposons dans cette publication de poser le problème des relations linéaires dépendantes dans le cas de chaines de cotes mécaniques et de proposer une approche donnant plus de liberté à la production pour définir la conformité par le tolérancement inertiel. Abstract – Thank to ISO 18391 standard, statistical tolerancing begins to be widely used in the industry. Among different forms of statistical tolerancing, inertial tolerancing offers an original approach to ensure conformity for the expected function link to a confidence level (managed by Cpk indicator on the resulting characteristic) following a single statistic: Inertia. Several inertia calculations have been proposed, still in the case of independent linear relations. However, in the optimization of a mechanism, tolerancing leads to solve non-independent linear relations. The solutions proposed in the literature are then in default. In this paper, we talk about the problem of dependent linear relationships in the case of mechanical dimensions. Paper propose an approach giving more freedom to the production to define conformity by inertial tolerancing. Mots clés-Tolérancement statistique, Tolérancement inertiel, chaines de cotes dépendantes
Content may be subject to copyright.
11e Congrès international de génie industriel CIGI2015
Québec, Canada
26-28 octobre 2015
Résumé - Désormais normalisée avec l’ISO 18391 [1], le tolérancement statistique commence à être très utilisé dans l’industrie.
Parmi les différentes formes de tolérancement statistique, le tolérancement inertiel propose une approche originale permettant
de garantir la conformité de la fonction attendue en lien avec un niveau de confiance (géré par l’indicateur Cpk sur la
caractéristique résultante) en suivant une statistique unique en production : l’Inertie.
Plusieurs calculs de l’inertie ont été proposés, toujours dans le cas de relations linéaires indépendantes. Cependant, dans
l’optimisation d’un mécanisme, le tolérancement amène à résoudre des relations linéaires non indépendantes. Les solutions
proposées dans la littérature sont alors mises en défaut.
Nous proposons dans cette publication de poser le problème des relations linéaires dépendantes dans le cas de chaines de cotes
mécaniques et de proposer une approche donnant plus de liberté à la production pour définir la conformité par le
tolérancement inertiel.
Abstract Thank to ISO 18391 standard, statistical tolerancing begins to be widely used in the industry. Among different
forms of statistical tolerancing, inertial tolerancing offers an original approach to ensure conformity for the expected function
link to a confidence level (managed by Cpk indicator on the resulting characteristic) following a single statistic: Inertia.
Several inertia calculations have been proposed, still in the case of independent linear relations. However, in the optimization
of a mechanism, tolerancing leads to solve non-independent linear relations. The solutions proposed in the literature are then
in default.
In this paper, we talk about the problem of dependent linear relationships in the case of mechanical dimensions. Paper propose
an approach giving more freedom to the production to define conformity by inertial tolerancing.
Mots clés - Tolérancement statistique, Tolérancement inertiel, chaines de cotes dépendantes
Keywords - Keywords in English.
Tolérancement inertiel, Calcul Optimal
MAURICE PILLET1, JEAN-LUC MAIRE1, PASCAL HERNANDEZ1, RENALD VINCENT2
1 Univ. Savoie Mont Blanc, SYMME
F-74000 Annecy, France
Maurice.pillet@univ-savoie.fr
Jean-luc.maire@univ-savoie.fr
Pascal.hernandez@univ-savoie.fr
2Pôle EME - Cetim
Senlis, France
Renald.vincent@cetim.fr
1 INTRODUCTION
Le tolérancement statistique est apparu de façon significative dès
le début de la seconde moitié du 20eme siècle comme un moyen
d’assurer une production de qualité à moindre coût. Plusieurs
auteurs [Pike, Sillverberg, 1953], [Evans, 1958] défendent l’idée
de diminuer les coûts de production par une approche statistique
dans le processus d’allocation des tolérances. Depuis, de
nombreuses publications ont été réalisées sur le sujet et plusieurs
états de l’art ont synthétisé les avancées dans ce domaine [Evans,
1974], [Zhang, Huq, 1992], [Hong-Chao, 1997], [Nigam et al,
1995]. Pourtant cette pratique a été utilisée de façon non formelle
par les entreprises du fait d’un manque de normalisation
permettant de définir la conformité d’un produit en intégrant des
critères statistiques. La pratique de tolérancement statistique
malgré leur ancienneté vient tout juste d’être normalisée au niveau
français NF E 04-008 [Afnor, 2013]. L’ISO 18391 [Iso, 2014]
quant à elle n’a pas retenue l’indication du mode de
tolérancement, mais uniquement l’indication des exigences sous-
jacentes en lien avec la population des produits. Ceci permet
d’envisager une utilisation plus large encore des indications
proposées.
Depuis cette récente normalisation, nombreuses sont les
entreprises qui commencent à utiliser ou envisagent d’utiliser le
tolérancement statistique. Si jusque-là son utilisation a été limitée
c’est sans doute à cause des risques d’utilisation du tolérancement
statistique quadratique « Aveugle » largement débattu dans [Pillet
2012]. La nouvelle norme de tolérancement permet de spécifier
une ou plusieurs caractéristiques de population dans l’exigence de
conformité. Cela limite voire même élimine les risques
précédemment cités.
Plusieurs approches permettant de définir des spécifications de
population ont été présentées telles que le tolérancement sur la
moyenne [Taylor, 1993], le tolérancement inertiel [Pillet 2012],
des tolérancements semi quadratique [Anselmetti, 2011] et [Judic,
2010]. Ces approches de tolérancement permettent de réduire le
champ de variation, soit de l’excursion possible de la moyenne par
rapport à la cible, soit de la dispersion admissible, soit des deux
pour mieux garantir la conformité de la caractéristique résultante.
Suivant les approches on trouve souvent des configurations
défavorables qui ne garantissent pas cette conformité.
Le tolérancement inertiel modifié [Adragna et al, 2007] ou plus
récemment le tolérancement inertiel pondéré [Pillet et al, 2005],
[Pillet 2014] permet de spécifier une caractéristique de population
qui garantit un Cpk sur la caractéristique résultante. Cependant,
les calculs proposés sont tous dans le cas de chaînes
indépendantes. Dans le cas de chaînes dépendantes, le calcul
proposé n’est alors pas forcément optimal.
Nous proposons dans cet article une approche qui permet de
compléter ces solutions possibles et qui possède l’avantage de
donner le plus grand domaine possible de variation de l’excursion
de la moyenne par rapport à la cible et de l’écart-type pour
chacune des caractéristiques élémentaires en lien avec les
caractéristiques résultantes sur l’assemblage sur laquelle est
garantie un niveau de confiance donné et quantifié via l’indicateur
de capabilité.
Après avoir rappelé dans le paragraphe 2 les fondements du
tolérancement inertiel et de ses différentes variantes, nous
poseront le problème non résolu des chaînes de cotes dépendantes
à partir d’un exemple pédagogique. Le paragraphe 4 propose une
solution originale au problème posé, les limites de cette solution
et les actions correctives proposées. Ce paragraphe sera suivi de
la conclusion.
2 TOLERANCEMENT INERTIEL
2.1 Tolérancement inertiel
Le tolérancement inertiel a été présenté la première fois en 2001
[Pillet et al 2001]. Il permet d’utiliser le tolérancement statistique
tout en garantissant un niveau de qualité Cpk sur la caractéristique
résultante en surveillant une statistique unique durant la
production : l’inertie. L’inertie est une statistique de population
qui est estimée par la moyenne des écarts quadratiques des valeurs
à la cible. L’inertie est aussi définie par la relation (1). Elle
correspond à la notion d’efficacité en statistique, cumulant sous
forme quadratique le biais et la variance de l’estimateur d’une
variable .
  (1)
Avec
l’écart-type de la population et
l’écart entre la moyenne
et la cible. Le tolérancement inertiel consiste définir sur chacune
des caractéristiques élémentaires la valeur maximale de cette
statistique de population pour garantir un Cpk sur la
caractéristique résultante. On montre que :
L’inertie est égale à l’écart-type lorsque la production est
centrée sur la cible (
= 0)
L’inertie est égale au décentrage maximum admissible
lorsque la production a un écart-type nul (
= 0)
La zone de conformité inertielle d’une population d’un des
composants produit est représentée dans un graphe (

par
l’espace inscrit dans un demi-cercle de rayon IMAX (Figure 1). Pour
un écart type donné, on peut facilement calculer « l’excursion
possible » de la moyenne de la population qui représente
l’intervalle dans lequel dois se situer la moyenne pour que l’inertie
soit acceptable.
Figure 1. Inertie dans un graphe 
La détermination de l’inertie maximale se fait en considérant la
situation d’une production centrée. Considérons le cas d’une
relation linéaire reliant les caractéristiques élémentaires Xi à la
caractéristique résultante Y (2)
 
 (2)
Dans l’hypothèse d’indépendance des caractéristiques
élémentaires on peut écrire l’équation (3)
   
 (3)
On en déduit l’inertie maximale sur chacune des caractéristiques
élémentaires en appliquant la relation (4)


Cible
Excursion possible
Pour cet écart type
 

   (4)
Dans le cas les i sont égaux à ±1 et dans le cas d’une équi-
répartition entre toutes les caractéristiques élémentaires on en
déduit :

(5)
2.2 Tolérancement inertiel corrigé
Pour garantir un Cpk sur la caractéristique résultante, il faut
toutefois appliquer un coefficient correcteur (6) à cette inertie tel
que l’a proposé Adragna [Adragna 2007]. On parlera alors de
« tolérancement inertiel corrigé ».
  

(6)
Avec

: Le Cpk minimal recherché sur l’exigence
fonctionnelle Y (Cpk = Min(USL-
;
-LSL) / 3
)
   minimal exigé sur les caractéristiques
élémentaires (Cpi = IXimax / IRéalisé)

2.3 Tolérancement inertiel pondéré
Figure 2. Principe de l’inertiel pondéré
L’approche inertielle pondérée a été introduite en 2005 [Pillet et
al, 2005]. Elle consiste à pondérer l’excursion de la moyenne par
un coefficient w
 (7)
Le tolérancement inertiel définit une inertie maximale permise qui
dans le graphe

(figure 2) correspond à la frontière du domaine
d’acceptation dont l’équation est un cercle. Le tolérancement
inertiel pondéré aboutit à définir quant à lui comme frontière
d’acceptabilité l’équation d’une ellipse.

(8)
Le calcul de l’inertiel pondéré pour satisfaire la conformité d’une
caractéristique Y dans le cas de chaine de cote indépendante a été
proposée en 2014 [Pillet et al, 2014]. Le calcul des paramètres IMax
et w sont réalisés à partir du choix du concepteur du point de
tangence (XO, Y0) entre l’ellipse et le triangle formé par le
décentrage maximal dans le cas d’un tolérancement au pire des
cas et l’écart type maximal autorisé par un tolérancement
statistique dans le cas d’un décentrage nul. On appellera dans la
suite de cet article ce triangle gris : triangle benchmark.
Pour garantir la conformité sur Y, le domaine de conformité doit
être inclus dans ce triangle. Mais l’inclusion dans ce triangle est
seulement une condition nécessaire…. Malheureusement pas
suffisante.
Le calcul du tolérancement inertiel pondéré est réalisé à partir des
relations suivantes :
  
    (9)
 


 (10)
Avec  

La conformité se définie par une inertie pondérée maximale IW
calculée au point x0 et y0 soit :
  (11)
3 LE CAS DES CHAINES DE COTES DEPENDANTES
On se trouve en présence de chaines de cotes dépendantes lorsque
l’optimisation consiste à trouver les tolérances d’une
caractéristique intervenant dans plusieurs chaines de cotes
simultanément.
Exemple : soit deux relations linéaires :
Y1(±0.5) = X1 + X2
Y2(±5) = X1 + X2 + X3 + X4 (12)
Les caractéristiques X1 et X2 interviennent dans les deux
résultantes Y1 et Y2. L’optimisation consiste alors à calculer les
tolérances sur la résultante la plus contrainte puis à calculer les
tolérances sur la seconde en tenant compte des résultats de la
première boucle.
Ici l’optimisation donne les résultats suivants (réalisé avec le
logiciel Ellipse II [Ellipse II, 2015]). Les résultats sont présentés
sous forme d’un tableau croisé (les Y en lignes et les X en
colonnes). En fonction des relations linéaires rentrées en zone A,
Ellipse II calcule l’allocation des tolérances selon cinq hypothèses
(pire des cas, quadratique, inertiel, inertiel corrigé et pondéré).
Figure 3. Optimisation de relations dépendantes
On optimise dans un premier temps la chaine Y1 qui est la plus
contrainte (IT±0.5 sur deux côtes) ce qui permet d’affecter les
tolérances sur X1 et X2, puis on affecte la variabilité restante sur
Y2 (IT±0.5 variabilité (X1, X2)) sur les deux côtes restantes X2
et X4).
L’exemple pédagogique pris dans cet article prend des tolérances
très différentes entre les deux résultantes Y1 et Y2.
L’optimisation de la chaine de cote Y1 étant réalisée en premier,
on se trouve alors dans le cas d’une chaine indépendante et
l’affectation des tolérances sur X1 et X2 est représentée en figure
4 dans le domaine de variation

.
pire des cas
x0, y0
quadratique
A
Figure 4. Tolérance X1 dans le graphe

Le triangle rouge représente de domaine Cpk =1 dans le
cas d’un tolérancement au pire des cas sur X1
Le triangle bleu représente de domaine Cpk =1 le cas
d’un tolérancement statistique quadratique sur X1
Le cercle vert représente le tolérancement inertiel
I = IMax, c’est le cercle passant par le point de dispersion
maximale en cas de tolérancement statistique
Le cercle rose, tangent au triangle benchmark donne le
tolérancement corrigé calculé par la relation (6)
Pour garantir la conformité Y1, il faut que le domaine soit inclus
dans le triangle benchmark, donc seul le tolérancement inertiel
corrigé et le tolérancement au pire des cas sont candidats à garantir
un Cpk >1 sur Y1.
Le calcul des tolérances sur Y2 est ensuite réalisé en tenant compte
des tolérances affectées sur X1 et X2. L’application des relations
(2), (3) et (4) permettent de calculer les tolérances statistiques
quadratique et inertielle sur X3 et X4.
En appliquant la relation (6) on détermine l’inertie corrigée
maximale. Toute ces tolérances sont représentées en figure 5 dans
le domaine de variation

.
Figure 5. Tolérance X3 dans le graphe

Dans ce cas, contrairement au cas X1 précédent, on constate que
le cercle rose (tolérancement inertiel modifié) n’est pas tangent
au triangle benchmark. Etant inclus, il reste candidat à garantir un
Cpk >1 sur Y2 mais peut-être est-il trop sévère ?
Une simulation de Monte Carlo sur Y1 et Y2 a été réalisée et donne
les résultats de la figure 6.
Figure 6. Simulation de 10000 assemblages
La simulation sur 10 000 lots consiste à assembler les 4
caractéristiques considérées dans une situation extrême en limite
de capabilité (l’inertie étant pour toutes les cotes égales à l’inertie
maximale autorisée). C’est un cas favorable car on peut
s’attendre à ce que les capabilités réelles soit meilleures que le
minimum requis.
Comme attendu, la résultante Y1 obtient toujours un Cpk ≥1
(chaine de cote indépendante), les simulations couvrent un
domaine tangent au triangle Cpk = 1
Pour la résultante Y2 les simulations couvrent un domaine inclus
dans le triangle Cpk = 1. Sur les 10 000 simulations, le Cpk le plus
faible a été de 1.06. Cela permet d’espérer de pouvoir élargir un
peu le domaine de variation donnée par l’inertiel corrigé. C’est la
proposition que nous ferons dans le paragraphe suivant
4 PROPOSITION DUN NOUVEAU CALCUL POUR LE
TOLERANCEMENT INERTIEL CORRIGE
4.1 Proposition d’un nouveau calcul
Le calcul de l’inertiel corrigé tel que pratiqué actuellement vient
du calcul du cas de décentrage le plus défavorable dans le cas de
relations linéaires indépendantes. Il est alors possible de trouver
de façon analytique le cas d’assemblage le plus défavorable.
Dans le cas de chaines de cotes dépendantes, avec des coefficients
de faisabilité et d’influence différents, le calcul analytique n’est
(sans doute ?) pas possible. L’application à ces cas du calcul
classique donné par la relation (6) peut donner des cas ou les
tolérances sont trop restrictive (cas pris dans cet article, mais peut
également donner des inerties qui ne garantissent pas la
conformité. La figure 7 donne un exemple de tolérancement ou le
domaine de l’inertie corrigée n’est pas inclus dans le triangle
Benchmark.
Pour corriger ce problème nous proposons de modifier la formule
utilisée pour calculer le tolérancement inertiel corrigé utilisée
jusqu’à ce jour par le calcul du cercle inclus dans le triangle de
Benchmark
Figure 7. Tolérancement inertiel corrigé ne garantissant pas
la conformité
Le calcul est alors très simple si l’on part de la relation connue du
cercle inscrit dans un losange (Figure 8)
Figure 8. Cercle inscrit dans un losange
De la figure 8 on trouve facilement l’inertie maximale inclus dans
le triangle de Benchmark (équation 13)
  


(13)
L’intérêt de ce calcul est d’une part de mieux garantir l’allocation
de tolérance au juste nécessaire, mais aussi de permettre un calcul
très rapide permettant un optimisation en temps réel sur un logiciel
tel qu’Ellipse II.
4.2 Vérification sur l’exemple
En appliquant cette nouvelle relation pour calculer l’inertie
corrigée maximale, on trouve les résultats donnés en figure 9.
Figure 9. Nouveau calcul en inertiel corrigé
Les résultats de la figure 9 sont à rapprocher de ceux de la figure
3. L’inertie corrigée maximale pour la variable X3 qui était de
0.9748 passe à 1.0399 soit une augmentation de 7% de la
tolérance. La figure 10 donne les domaines de variation. Le cercle
rose est désormais tangent au triangle de Benchmark.
Figure 10. Nouveaux domaines pour X3
Une simulation sur 10 000 lots permet de connaitre le résultat
attendu sur les caractéristiques Y1 et Y2 (figure 9).
Figure 11. Nouvelle simulation en inertiel corrigé
On constate que quelques lots ont donné un Cpk <1. Le Cpk
minimum obtenu est égal à 0.96, ce qui reste tout à fait acceptable
compte tenu que la simulation a été réalisée en plaçant toutes les
caractéristiques X à l’inertie maximale admise.
Ce résultat serait à rapprocher des simulations dans les différentes
hypothèses :
Pire des cas (figure 12)
Statistique quadratique (figure 13)
Inertiel (14)
Inertiel pondéré (15)
Figure 12. Simulation au pire des cas
Figure 13. Simulation en statistique quadratique
pire des cas
quadratique
O
A
B
r
Relation entre O, A, B et r
  

Figure 14. Simulation en Inertiel
Figure 15. Simulation en inertiel pondéré ( 
= 0.7)
Le tolérancement statistique classique, et l’inertiel classique ne
permettent pas de garantir une conformité Ppk sur les
résultantes Y. L’inertiel corrigé et l’inertiel pondéré donnent des
résultats tout à fait satisfaisant.. tout en ne donnant pas la garantie
absolue d’avoir un Cpk >1
4.3 Garantir un Cpk >1
Dans l’état actuel de nos recherches, nous n’avons pas trouvé de
relations analytiques permettant de garantir un Cpk >1 dans tous
les cas de chaines de cotes dépendantes. Le calcul utilisé jusque-
là pouvait donner des cas restrictifs comme montré dans l’exemple
support de cet article, mais donne également parfois des risques
sur le Cpk résultant comme dans le cas donné en figure 7.
La proposition faite dans cet article d’utiliser plutôt le cercle
inscrit dans le triangle de benchmark permet dans tous les cas soit
d’éliminer le risque soit de le limiter considérablement.
Pour l’instant la solution proposée pour garantir le Cpk >1
consiste à trouver par optimisation numérique l’inertie permettant
de garantir la condition. Cette optimisation itérative consiste à
trouver par une approche du simplexe les inerties sur chaque cote
qui donne par simulation un Cpk de 1 sur la cote résultante. Dans
notre exemple on trouve que l’inertie maximale est de 1.0243 pour
X3 et X4. La figure 16 donne la simulation obtenue avec cette
inertie
Figure 16. Simulation avec les inerties optimales
Cependant cette optimisation numérique est extrêmement
chronophage et malheureusement inadaptée à l’optimisation de
cas classique de système possédant une cinquantaine de relations
linéaires pour une centaine de caractéristiques. La meilleure
solution pour l’instant reste la proposition de calcul par le cercle
tangent. La recherche d’une relation analytique pour obtenir
l’inertie optimale restant une perspective de nos travaux.
5 CONCLUSION
Dans ce papier nous avons aborun problème classique mais
pourtant assez peu abordé dans la littérature : l’optimisation de
l’allocation de tolérances statistiques pour garantir un Cpk sur la
caractéristique résultante dans le cas de chaines de cotes
dépendantes linéaires.
Nous avons montré que les solutions existantes ne permettaient
pas l’optimisation des tolérances et pouvaient soit resserrer
inutilement les tolérances, soit au contraire ne garantissaient pas
le Cpk. Nous avons proposé un calcul alternatif qui a l’avantage
d’être très simple et donc rapide à calculer. Bien que permettant
une amélioration consistante des algorithmes actuels, ce nouveau
calcul ne permet pas strictement de garantir le Cpk. Un recours à
une optimisation numérique a été proposé pour résoudre ce point.
6 REFERENCES
Adragna, P. A., Pillet, M., Formosa, F., & Samper, S. (2007).
Inertial tolerancing and capability indices in an assembly
production. Computer Aided Tolerancing (CAT) 2007,
Erlangen, Germany
Anselmetti, Bernard, (2011) Manuel de tolérancement: Volume 5,
Métrologie avec les normes ISO. Lavoisier.
Ellipse II (2015), Logiciel de calcul statistique, http://www.pillet-
consulting.com/ellipse-ii/
Evans, D. H. (1958). Optimum tolerance assignment to yield
minimum manufacturing cost. Bell System Technical Journal,
37(2), 461-484.
Evans, D. H. (1974). Statistical tolerancing: The state of the art. I-
Background. Journal of Quality Technology, 6, 188-195.
Hong-Chao Zhang (Ed.). (1997). Advanced tolerancing
techniques (Vol. 5). John Wiley & Sons.
Judic, J. M., (2010) Process Tolerancing: A new statistical
tolerancing method for industrial processes not daily
adjustable in mass production. Proposal of an improvement to
Wayne Taylor’s method. IDMME 2010, Bordeaux France
Nigam, Swami D. et Turner, Joshua U. Review of statistical
approaches to tolerance analysis. Computer-Aided Design,
1995, vol. 27, no 1, p. 6-15.
Afnor, (2013), NF E 04-008 2013 - Spécification géométrique
des produits (GPS) Calcul de tolérance, indications et critères
d'acceptation Méthodes arithmétique, statistique quadratique
et statistique inertielle
Pike E. W., Sillverberg T. R., (1953) Assigning Tolerances for
maximum Economy, mach. Design, 25, p 139,
Pillet M., Bernard F. Avrillon L. (2001) Le tolérancement inertiel,
une autre façon d’intégrer l’aspect combinatoire dans les
processus assemblés, Congrès CPI 2001, CD-ROM, Fès,
Morocco, 12 pages.
Pillet, Maurice, Duret, Daniel, et Sergent, Alain, (2005) Weighted
Inertial Tolerancing. Quality Engineering, vol. 17, no 4, p.
687-693.
Pillet, Maurice, (2012), Améliorer la productivité: Déploiement
industriel du tolérancement inertiel. Editions Eyrolles,
Pillet, M., Pairel, E., Tichadou, S., & Vincent, R. Tolérancement
inertiel pour processus à dérive. (2015) In Qualita'2015, 11ème
congrés pluridisciplinaire en qualité, sûreté de fonctionnement
et développement durable.
Iso, (2014) PR NF EN ISO 18391 Septembre 2014 - Spécification
géométrique des produits - Spécification de population
Taylor W. A., (1993) “Process tolerancing: a solution to the
dilemma of worst-case versus statistical tolerancing”,
Presented at Fall Technical Conference, Available from:
http://www.variation.com/techlib/ta-2full.html
Zhang, H. C. et Huq, (1992) M. E. Tolerancing techniques: the
state-of-the-art. The International Journal Of Production
Research, vol. 30, no 9, p. 2111-2135
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
The intense global competition to produce quality products at a low cost has led many industrial nations to consider mechanical tolerances as a key factor to bring about cost saving as well as to remain competitive. In the last two decades, some work has been done in the area of tolerance techniques. In this paper a comprehensive summary of the state-of-the-art and the projection of future trends in tolerancing techniques is presented to describe improved techniques available today and to aid in guiding research for the future. This paper reviews the status of theory and practice of how manufacturing and assembly processes are characterized for relating tolerancing to process or production cost. The specification of tolerancing on the dimension of the manufactured part has a significant impact on the final production cost. Tight tolerances can result in excessive process cost, while loose tolerances may lead to increased waste and assembly problems. This paper systematically reviews the state-of-the-art by classifying more than 50 papers written so far into five categories. They are, the dimensional tolerances chain technique, geometrical modelling in tolerances, statistical and probabilistic methods in tolerancing, tolerances based on analysis and synthesis, tolerances based on cost-tolerance algorithms and design methods. Future areas of research and the unresolved issues have been presented that will serve as a springboard for researchers to investigate and produce solutions for the end of this century. The present problems and issues once resolved, will revolutionize the manufacturing industry as the year 2000 approaches!
Article
Full-text available
Traditional tolerancing considers the conformity of a batch when the batch satisfies the specifications. The characteristic is considered for itself and not according to its incidence in the assembly. Inertial tolerancing proposes another alternative of tolerancing in order to guarantee the final assembly characteristic. The inertia I2 = \sqrt{\delta^2 + \sigma^2} is not toleranced by a tolerance interval but by a scalar representing the maximum inertia that the characteristic should not exceed. We detail how to calculate the inertial tolerances according to two cases, one aims to guarantee an inertia of the assembly characteristic the other a tolerance interval on the assembly characteristic by a Cpk capability index, in the particular but common case of uniform tolerances or more general with non uniform tolerances. An example will be detailed to show the results of the different tolerancing methods.
Article
Le tolérancement inertiel vise à garantir une excellente qualité des produits, tout en laissant le plus de liberté possible à la production. Il limite ainsi la variabilité dimensionnelle des pièces mécaniques. L'usage veut que l'on délimite la variabilité par un intervalle de conformité. Or cette approche centenaire est en passe d'être dépassée par le tolérancement inertiel, récemment normalisé, qui donne plus de liberté à la production, tout en garantissant une excellente fonctionnalité des produits assemblés. Contrairement aux approches traditionnelles, le tolérancement inertiel pousse à respecter le centrage sur la cible. Les outils de la maîtrise inertielle des processus (MIP) avec les cartes de contrôles inertielles très performantes, associées à des indicateurs de capabilité et un pilotage multicritère rendent très simple le pilotage sur la cible des processus, afin de garantir l'inertie maximale admise. Cet ouvrage a pour objectif de décrire de façon pragmatique l'ensemble de la chaîne inertielle, depuis la spécification des tolérances jusqu'au pilotage des machines, en passant par la maîtrise des moyens de mesures. * Une démarche de rupture dans l'approche de la qualité des produits * Une nouvelle façon de concevoir la conformité d'une caractéristique * Des outils pour maîtriser les processus de production très innovants * Une approche globale et cohérente de la spécification au contrôle pour garantir la qualité aux clients
Article
The problem considered is that of choosing approximate component tolerances in order to minimize mass production costs. The basic item considered is a unit with a single nominal design response. This unit has several components with given nominal design values such that the unit nominal response is as required. We assume that the components are in statistical control and that we can compute the statistical behavior of the response as a function of the assignment of component tolerances. Further, we assume that the cost and salvage value of a unit are known as a function of the assignment of component tolerances. We impose the restriction that the sum of the responses of n identical units in combination must be within a prescribed tolerance with probability 1 – ∈. We can then find a relation involving the tolerance limits on the sum of the responses, the rejection limits on the response of a single unit, the variance of the response of a single unit, and the probability ∈. Using this relation, which effectively introduces the rejection rate as an additional variable, we then show how to assign component tolerances to minimize production costs. As an illustrative example we consider the design for production of an idealized lumped-constant delay line.
Article
The object of this paper is to review and illustrate the concept of statistical tolerancing and the methods which are applicable to assigning component tolerances. The approach is primarily theoretical, but the theory is that which is useful in practice. Tolerancing and statistical tolerancing are discussed generally, but the in-depth discussion is confined to two facets: 1) the problem of ascertaining the distribution of the response of a mechanism for given component tolerance distributions and 2) the problem due to the shifting and drifting of component tolerance distributions. Four methods are reviewed for the first: a) stack tolerancing or linear propagation of errors, b) nonlinear propagation of errors, c) numerical integration or quadrature, and d) Monte Carlo. The types of problems for which each approach is useful, and drawbacks and advantages are given. Each is illustrated by applying it to the same π-section attenuator. The details of this application not covered herein are available in the literature. All in all, the theory and application of this facet of statistical tolerancing is in good shape, although there are open problems. Unfortunately, the same cannot be said for the second facet discussed. The fundamental difficulty is that this problem has not yet been well posed in a theoretical manner applicable in practice. The problem encountered may be the principal reason why statistical tolerancing has not flourished in manufacturing. It also is the part of tolerancing which interfaces most strongly with quality control. The several attacks known to the author are reviewed. Because of its length this paper will be published in three parts in successive issues. Part I lays the groundwork. Part II reviews the four methods mentioned above, and Part III reviews the other facets mentioned and concludes the paper.
Article
The objective of tolerancing methods is to limit the variations of a characteristic while trying to minimize the cost of realization. Traditionally expressed in the form of an interval (min, max), it can also be expressed in a different form as in the case of inertial tolerancing. The principle of inertial tolerancing consists of tolerancing the mean square deviation in relationship to the target. This new tolerancing method has many properties that the property of additivity of the mean square deviation offers. However, when several characteristics are added to give a resulting characteristic, it leads to a significant tightening of the variations around the target in the case of a process with a small dispersion. Our proposal consists of defining a new alternative of inertial tolerancing: weighted inertial tolerancing. Its goal is to obtain the best possible compromise between statistical tolerancing and worst-case tolerancing method. One will be able to use it when it is not useful to guarantee an inertia on the resulting characteristic, but simply to limit the variations compared with the target.
Process Tolerancing: A new statistical tolerancing method for industrial processes not daily adjustable in mass production Proposal of an improvement to Wayne Taylor's method Review of statistical approaches to tolerance analysis
  • J M Judic
Judic, J. M., (2010) Process Tolerancing: A new statistical tolerancing method for industrial processes not daily adjustable in mass production. Proposal of an improvement to Wayne Taylor's method. IDMME 2010, Bordeaux France Nigam, Swami D. et Turner, Joshua U. Review of statistical approaches to tolerance analysis. Computer-Aided Design, 1995, vol. 27, no 1, p. 6-15.