fr.wedoany.com Rapport : L'Institut des matériaux IMDEA (IMDEA Materials Institute), en collaboration avec le Lawrence Berkeley National Laboratory (LBNL) aux États-Unis, a développé un algorithme capable d'identifier les écarts de performance entre des équipements de fabrication théoriquement identiques, et de déterminer la solution d'optimisation la plus appropriée en conséquence. Les résultats de ces travaux ont été publiés dans la revue Advanced Engineering Informatics, abordant un problème récurrent dans le domaine de la fabrication automatisée : même des équipements de même marque et modèle peuvent présenter des performances variables, et ces différences, dans un contexte de production à grande échelle — comme les fermes d'impression 3D où les opérations sont parallélisées —, s'accumulent et génèrent des défauts.
Le processus de ce système se déroule en deux étapes : d'abord, un diagnostic est effectué sur chaque équipement pour établir un profil de performance personnalisé ; ensuite, une analyse statistique quantifie le degré d'écart entre les différentes machines. Sur la base des résultats, le système adopte une stratégie d'optimisation conjointe pour les équipements présentant une forte similarité. En cas de différences significatives, il opte pour une optimisation individuelle de chaque machine, privilégiant la précision de fabrication plutôt que l'efficacité d'une approche uniforme.
Lors de la phase de validation, l'équipe de recherche a sélectionné trois imprimantes 3D théoriquement identiques comme sujets de test. L'algorithme a identifié des différences mesurables entre ces équipements et a déterminé que chacun nécessitait une voie d'optimisation distincte, plutôt qu'un traitement uniforme. Plus précisément, l'analyse de distribution et les indices de divergence ont tous indiqué une optimisation individuelle : les estimations de densité des particules imprimées étaient nettement séparées entre les machines, et les valeurs de divergence par paire étaient élevées, montrant que les plages de fonctionnement réelles de chaque imprimante ne se chevauchaient pas.
L'équipe de recherche a souligné qu'après la mise en œuvre de l'optimisation individuelle, « par rapport à une approche traitant tous les équipements de manière identique sans corriger correctement les écarts individuels, le poids des pièces imprimées convergeait beaucoup plus rapidement et les erreurs étaient considérablement réduites ». Ils ont ajouté : « Même des équipements issus d'un même lot de production peuvent avoir leur propre "personnalité" de fonctionnement. Ce système apprend ces différences et les exploite pour décider s'il est plus efficace de les traiter comme une équipe ou comme des entités indépendantes. Cela améliore à la fois la précision et économise des ressources en évitant des expériences infructueuses, constituant une étape importante vers les laboratoires et usines entièrement automatisés de demain. »
Bien que la validation se soit concentrée sur l'impression 3D, l'équipe de recherche indique que la même méthode peut être étendue à d'autres domaines reposant sur des expériences à haut débit, notamment la découverte de nouveaux matériaux, la synthèse chimique et l'étalonnage de capteurs.
