Méthodes de Tolérancement

Introduction
Lorsque l’on conçoit un produit, il y a toujours 2 points de vue à concilier :
Le point de vue du producteur:
Celui-ci souhaite pouvoir produire les
pièces selon un plan. La qualité de la
production étant mesurée par sa capacité
à livrer des pièces conformes.

Le point de vue de
l’utilisateur:
Celui-ci souhaite profiter du
produit sans soucis. Pour lui,
importe que les pièces soient
conformes aux plans ou non,
le plus important étant que les
fonctionnalités du produit
soient réalisées.
 Introduction
Besoin de la Tolérance
- L’époque de la fabrication artisanale unitaire est révolu depuis bien
longtemps
- Les usines d’aujourd’hui œuvrent à la réalisation de produit fini en masse
- La variabilité des procédés industriels est un fait, une réalité incontournable
que les concepteurs doivent aujourd’hui intégrer comme une donnée d’entrée.
Les activités de Tolérancement
- En amont de la fabrication;
- Faire des chaines de côtes!! ou spécifier des tolérances géométriques
sur les plans de définition !!
- Champ plus large qui réclame à la fois des compétences « Produit » et «
Process »
Le Tolérancement: Un Métier en Mutation
- Hier, le temps de développement suffisamment longs;
- Les schéma de de développement d’hier sont caducs
- Identifier en amont les procédés de fabrication à la hauteur des enjeux
en terme de qualité et de coût.
 Introduction
Nécessité d’un Modèle Prédictif
 Introduction
Nécessité d’un Modèle Prédictif
 Introduction
Nécessité d’un Modèle Prédictif
Introduction
 Les Méthodes classiques d’Analyse de Tolérances
 L’objectif : le nécessaire et le suffisant
Par souci d’efficacité économique, la qualité d’une pièce devrait être jugée par rapport à l’usage
qui en sera fait, en tant que composant du produit livré, et non pas par rapport à un plan de
définition qui peut contenir des exigences inutiles.
C’est l’occasion de préciser quelques définitions essentielles :
Pièce conforme : pièce satisfaisant toutes ses spécifications (qu’elles soient suffisantes ou pas).
Elle est acceptée par le contrôle.
Pièce non conforme : pièce ne satisfaisant pas toutes ses spécifications, (qu’elles soient
nécessaires ou pas). Elle est refusée par le contrôle.
Pièce bonne (apte à l’emploi) : pièce-conforme ou non, permettant de satisfaire les exigences du
client.
Pièce mauvaise (inapte à l’emploi) : pièce-conforme ou non, ne permettant pas de satisfaire les
exigences du client.
La recherche de l’efficience conduit à produire un maximum de pièces bonnes (aptes à l’emploi),
ce qui explique le nombre de demandes de dérogation en cas de non-conformité(s). Le travail de
tolérancement et de spécification a ainsi un double objectif :
Objectif 1 : chercher à définir “le juste suffisant” pour rejeter efficacement les pièces
mauvaises (inaptes à l’emploi) et que les pièces acceptées fonctionnent.
Objectif 2 : déterminer “le juste nécessaire” pour ne pas refuser de pièces bonnes (aptes à
l’emploi).
Analysons dans cette optique les deux méthodes les plus utilisées dans l’industrie, le tolérancement
arithmétique ou “au pire des cas”, et le tolérancement statistique quadratique.
 Le tolérancement arithmétique ou “pire des cas”
C’est la méthode la plus ancienne et sans doute encore
la plus utilisée. C’est en effet la plus simple, et les calculs
peuvent souvent être faits “à la main”.
Le tolérancement arithmétique s’appuie sur la formulation
classique des spécifications sur les contributeurs Xi par
des intervalles définissant la plage des caractéristiques
individuelles dites conformes (pièces considérées
unitairement), à l’aide généralement d’un nominal, d’une
tolérance supérieure et d’une tolérance inférieure. Le
critère résultant Y, quant à lui, est supposé être spécifié
par ses bornes mini et maxi.

Le calcul de la valeur cible résultante sur le Y est:

Axe épaulé devant

maintenir un galet et en
permettre la rotation
Le cas de notre exemple donne:
 Le tolérancement arithmétique ou “pire des cas”
Mais vérifier que la largeur de l’intervalle résultant IT(Y) est bien inférieure ou égale à l’intervalle
spécifié IT(YS) ne suffit pas. Pour assurer que les cibles et les tolérances sont convenablement
allouées sur les Xi, il faut vérifier deux conditions d’interchangeabilité totale:

Le calcul de la valeur de la tolérance résultante sur le Y est:

 Hypothèse de l’iso-tolérance
Si on considère une répartition uniforme des tolérances

on en déduit :
 Le tolérancement arithmétique ou “pire des cas”
Cette méthode est séduisante au premier abord car elle ne requiert aucune donnée statistique sur
les composants, et ne fait aucune autre hypothèse que la conformité des composants pour assurer
la conformité du critère résultant : si les composants sont dans leurs tolérances, alors le
résultat sera dans sa tolérance. L’objectif n°1 est donc parfaitement rempli.
Deux remarques s’imposent cependant :
• Lorsque l’une des conditions précédentes n’est pas satisfaite, cette méthode n’offre aucun moyen
pour estimer le risque pour le client. Il faut ajuster les cibles , donc resserrer les tolérances.
• Cette méthode impose des tolérances restreintes sur les composants, avec des tolérances
allouées inversement proportionnelles au nombre de contributeurs, et pour conséquence des mises
au rebut très souvent inutiles.
Cette méthode est incapable d’évaluer le risque qu’elle s’évertue à éradiquer, et se fait peur avec
des évènements si peu probables que le prix à payer est déraisonnable. En effet, si un paramètre X
franchit son seuil de conformité, le risque pour l’assemblage (le Y) ne passe pas de 0% à 100% de
manière brutale. Une incursion d’un paramètre X dans la tolérance cumulée des autres X crée un
risque , mais celui-ci est très faible lorsque les « autres » sont nombreux, ou la tolérance cumulée
des « autres » est large
On remarque que le calcul arithmétique ne fait pas intervenir les indices de capabilité requis sur le
critère . Il est pourtant usuel d’exiger sur les X le même niveau de capabilité que celui attendu sur
le Y. On démontre en effet que le Cpk sur le critère résultant Y est, dans la pire des combinaisons,
égal au Cpk le plus faible observé sur les paramètres X. La décision de cascader sur les X
l’exigence de capabilité du Y, qui découle de cette crainte, conduit cependant à des rebuts
déraisonnables.
 Indices de Capabilité

Le problème de la cotation est lié au problème de la fabrication des pièces mécaniques. La

dispersion des dimensions d’une pièce exécutée en série suit une distribution proche d’une
gaussienne (distribution selon la lois normale) . Cette dispersion varie suivant le procédé utilisé.
Les pièces se trouvant hors de l’intervalle de tolérance iront au rebut. La réduction de l’IT a pour
conséquence d’augmenter considérablement le coût d’une pièce.
L’amplitude de l’IT n’est pas suffisante pour caractériser la classe de qualité d’un produit, et une
précision du centième de millimètre sera plus compliquée à obtenir sur un cylindre de 100 mm de
diamètre que sur un cylindre de 10 mm.
L’indice de Capabilité compare la performance attendue (IT) et la performance obtenue
(Dispersion)
Les indices de Capabilité ont été inventés pour mesurer la capacité d’un processus à produire des
produits qui satisfont leurs spécifications.
 Indices de Capabilité

Les formules selon la norme

Les normes ISO 22514 décrivent de façon détaillée comment
se calculent ces indices, pour des distributions normales, en
articulant la distinction entre des indices de “capabilité” Cp,
CpkL, CpkU, Cpk lorsque la stabilité du processus a été
démontrée.

On note :
Cp = indice de potentiel d’aptitude
CpkL = indice de capabilité inférieure
CpkU = indice de capabilité supérieure
Cpk = indice de capabilité minimal
 Le tolérancement arithmétique ou “pire des cas”
Dans notre exemple, nous avions identifié les paramètres
influents et la fonction Y= F(X) = X1 - X2 - X3 - X4
Supposons que les limites spécifiées soient:
Limite inférieure YSmin=0 : pour assurer la mobilité en rotation
du galet
Limite supérieure YSmax=0.8 : pour limiter le jeu axial.
Les valeurs nominales des côtes fonctionnelles :
X1= 60.4, X2=8, X3 = 44, X4= 8
Avec l’hypothèse d’iso-tolérance, on obtient :

Prenons cet exemple pour analyser une configuration de non-

conformité d’un composant de nature à “stopper” la production.
Considérons pour cela une situation où 3 composants sont
décentrés de manière défavorable tout en restant conformes, (et
capables) et où le dernier est totalement hors tolérance, avec un
Cpk de -1, soit à peine plus d’une pièce sur mille dans la
tolérance… Qui ne bloquerait pas la production dans un tel cas ?
Et pourtant, ça marche ! Le galet tourne. Un responsable de
production d’expérience pourrait dire à son équipe : “On prend 30
pièces et on fait un montage à blanc. Si ça marche, on produit, et
on demande une dérogation…”.
Le tolérancement arithmétique ou “pire des cas”

Exemple de situation révélant le caractère trop restrictif du tolérancement arithmétique

 Constatations

On constate ici que le tolérancement au pire des cas est très loin de satisfaire l’objectif n°2 du
tolérancement : “déterminer le juste nécessaire pour ne pas refuser de pièces bonnes (aptes à
l’emploi)”. C’est vraisemblablement la raison qui justifie le très grand nombre de demandes de
dérogation que les bureaux d’études reçoivent des usines. Une question alors se pose : comment
faire pour que la décision “de déroger” ne soit pas une prise de risque déraisonnable, mais
le résultat d’une réelle approche scientifique où les risques sont évalués ?
La réponse est simple. Il faut faire des statistiques en prenant des mesures sur les composants
dans les bacs.

Le tolérancement statistique Quadratique, appelé RSS dans les pays anglo-saxonne (Root Sum
Squares) repose sur l’idée simple que, dans le cas de paramètres indépendants, (ce que l’on est
en droit de supposer lorsque les composants sont réalisés avec des moyens différents), ce ne sont
pas les “étendues” qu’il convient d’additionner mais les “variances”.
Dans un lot de pièces, c’est rare de trouver des côtes « min » ou « max », mais des côtes autour
d’une moyenne et possédant un écart-type (dispersion) . Donc , on peut considérer les Cf et la Cc
comme des variables aléatoires qui suivent une loi de distribution(lois normale). L’objectif est de
diminuer le coût en augmentant l’IT(Cf), mais avec un risque de rebut. Ce qui implique une
interchangeabilité partielle.
Exemples des caractéristique d’ une dispersion
 Le tolérancement Statistique Quadratique
Comment ça marche?
Le tolérancement statistique utilise les propriétés statistiques suivantes:
Lorsque l’on assemble plusieurs lots Xi, avec comme résultante Y:

Le lot résultant de la somme de ces caractéristiques aura comme propriétés

Illustration
 Le tolérancement Statistique Quadratique
Relation entre tolérance et dispersion
Lorsque l’on dimensionne une pièce on pet admettre que les tolérances fixées sont
proportionnelles à la difficulté de fabrication de la caractéristique. C’est-à-dire, plus la
caractéristique est difficile à obtenir, plus les tolérances sur cette caractéristique vont être larges.

L’exemple ci-dessus illustre ce principe. La caractéristique A est plus difficile à obtenir que la
caractéristique B car sa dispersion est plus importante, Par la suite, l’intervalle de tolérance de
cette caractéristique sera plus important que pour la caractéristique B.
On en déduit donc les relations de proportionnalité suivantes:
 Le tolérancement Statistique Quadratique
 Hypothèse de l’iso-tolérance
Si on considère une répartition uniforme des tolérances:

on en déduit :

Pour être valide, la formule (8) exige en effet (en plus de l’indépendance des Xi) :
• que les paramètres Xi soient tous centrés sur leurs cibles respectives, et que ces cibles soient
optimisées pour obtenir la cible optimale pour le critère Y.
• que les Xi et le Y présentent tous le même facteur de proportionnalité entre leur écart-type et
leur intervalle de tolérance soit à réaliser.
Cette deuxième condition est par exemple respectée quand les distributions sont normales et que
les exigences de capabilité sur les Xi et sur le Y sont identiques.
La popularité du tolérancement quadratique vient du fait qu’il permet dans le cas d’iso-tolérance,
d’élargir les tolérances par rapport au tolérancement arithmétique.
Dans notre exemple cette méthode permet de doubler les tolérances

Cependant, cette méthode, économiquement intéressante en apparence, n’est malheureusement

fiable que si le centrage parfait du critère résultant est obtenu. Ceci n’est assuré que si tous les
Xi sont parfaitement centrés.
 Comparaison entre les deux méthodes

Reprenons l’exemple suivant :

Avec l’hypothèse de l’iso-tolérance

Tolérancement pire des cas :

Tolérancement statistique :

Remarque: Le tolérancement statistique permet d’élargir les tolérances et donc de

réduire les coûts de production.
En effet, regardons la production suivante :

Si l’on considère un tolérancement au pire des cas, 12% des pièces A, B, C, D sont
considérées comme non conformes alors que la capabilité de l’assemblage est de 1,
soit seulement 0,26% de produits non conformes.
Cette même production, en utilisant le tolérancement statistique, serait cette fois-ci
acceptée avec seulement 0.26% de non conforme sur chacune des caractéristiques.

 Inconvénient du tolérancement statistique

Le tolérancement statistique ne garantit pas la conformité de l’assemblage final. En
cas de production non centrée, le tolérancement statistique peut être catastrophique.
Observons l’exemple suivant :

Dans ce cas, toutes les pièces produites (A, B, C et D) sont bonnes. Aucune n’est hors
tolérance et pourtant 98,89% des assemblages finaux sont hors tolérance.
 Synthèse des tolérances
Données :

On a

Choix de l’une des hypothèses suivantes:

Hypothèse de l’iso-tolérance

Pire des cas

Statistique

Hypothèse de l’iso-qualité

Le système ISO fournit la relation suivant:

Pire des cas

Statistique
 Analyse des tolérances

Données :

Centrage-Décentrage

On calcul

Avec:
Analyse des tolérances
 Applications

 Application: Centrage