Tolerancement Geometrique

MGA820
Analyse des variations en

production aéronautique
Analyse fonctionnelle
1
©M.K. NEJAD Ing., Ph.D MGA820
Plan
• Les ajustement
• L’analyse des variations dimensionnelles
• Cumulation des défauts
• Méthodes d’analyse
– Worst-case
– Statistique
• Indépendance et dépendance statistique
• Exemple
2
Les ajustements
Principe de l’interchangeabilité:
L'interchangeabilité est la possibilité de prendre au hasard dans un lot de pièces

semblables, une pièce quelconque, sans avoir besoin d'aucun travail d'ajustage pour
assurer son montage et son bon fonctionnement dans un assemblage donné et dans les
conditions de fonctionnement exigées (avec les conditions de jeu et de serrage voulu).
3
Les ajustements
Définition d’une cote:
• 2 critères définissent une cote tolérancée:

• La valeur de l’intervalle de tolérance (IT)
• La position de l’IT par rapport à la ligne de référence (cote nominale)
Intervalle de tolérance
Ligne référence
Ligne Zéro (Cote nominale)
Cote nominale
4
Les ajustements
Exemple:
Cote nominale 25,00 irréalisable
2 limites sont définies 25.00+−0.30

0.25
Écart supérieur +0,30 Intervalle

de tolérance
Dimension
Cote Écart inférieur -0,20 maximale
Dimension
nominale minimale
5
Les ajustements
Le système ISO:
- Qualité de la tolérance
• Le système ISO prévoit 18 échelons de qualité
• Un intervalle de tolérance (IT) de faible valeur représente une
qualité élevée
- Position de la tolérance
• Dans le système ISO, la position de la tolérance par rapport à La ligne zéro est
symbolisée par une lettre
• Majuscule pour les alésages (ou les cotes intérieures en général)
• Minuscule pour les arbres (ou les cotes extérieures en général)
6
Les ajustements
Le système ISO:
Valeurs des intervalles de tolérance en fonction de l’indice de
qualité et de la cote nominale
7
Les ajustements
Le système ISO:
Position des intervalles de tolérance par rapport à la cote
nominale
8
Les ajustements
Un ajustement est un jeu ou serrage entre deux pièces devant s’assembler. La tolérance
est la variation dimensionnelle admissible pour l’une des pieces.
L’ajustement avec jeu

L’ajustement avec jeu est une forme d’ajustement tel qu’il en
résulte toujours un espace vide entre les pièces même à la
condition maximale de matière.
L’ajustement avec serrage

C’est la forme d’ajustement tel qu’il en résulte toujours un
serrage entre les pièces même à la condition minimale de
matière. La pièce mâle étant plus grande que la pièce
femelle.
L’ajustement incertain
C’est la forme d’ajustement pouvant présenter tantôt un jeu,
tantôt un serrage.
9
Les ajustements
10
Les ajustements
Alésage
Emploi Arbre
H6 H7 H8 H9 H11
c 9 11
Pièce dont le fonctionnement nécessite un grand jeu (dilatation, mauvais
alignement, portées très longues, etc.) d 9 11
Pièces mobiles e 7 8 9
l'une par rapport à Cas ordinaire des pièces tournant ou glissant dans une bague ou palier (bon
l'autre graissage assuré) f 6 7 7
Pièce avec guidage précis pour mouvement de faible amplitude g 5 6

h 5 6 7 8
Mise en place possible à la
Démontage et remontage L'ajustement ne peut main js 5 6
possible sans détérioration pas transmettre
k 5
des pièces d'effort
Mise en place au maillet m 6
Pièces immobiles Mise en place à la presse p 6
l'une par rapport à
l'autre s 7
Mise en place à la presse ou
Démontage impossible L'ajustement peut u 7
par dilatation
sans détérioration des transmettre des
(vérifier que les contraintes x 7
pièces efforts
imposées au métal ne
dépassent pas la limite z 7
élastique)
11
Les ajustements
12
Les ajustements
13
Les ajustements
Ref: notes de cours GPA 210
14
Les ajustements
15
Les ajustements
Exemple:
Ref: note s de cours GPA 210
16
Les ajustements
Exemple:
Ø 80 H8 F7
Exercices:
ø 60 H8f7 ø 60 H7h6
jeu mini = ? jeu mini = ?
jeu Maxi = ? jeu Maxi = ?
17
Les ajustements
Le système ISO
• Ajustement associé à l’alésage ou à l’arbre
• Le système ISO permet 28 choix de position pour l’arbre et autant pour l’alésage.
• Pour réduire le nombre de combinaisons, on privilégie l’utilisation des ajustements
associés:
• À l’arbre, dans ce cas l’arbre est toujours h (arbre normal)
• À l’alésage, dans ce cas l’alésage est toujours H (alésage normal)
Il est recommandé d’employer les

ajustements à alésage normal (H),
sauf pour des raisons techniques
spéciales
18
L’analyse des variations dimensionnelles
• Caractéristiques fonctionnelles
• le résultat d'une combinaison de plusieurs dimensions
• les requis de l’assemblage
X Σ = x1 + x2 − x3 − x4 − x5
• La chaîne de tolérance (cotes)
Étudier la tolérance résultante d'un assemblage de plusieurs pièces est un domaine

d’étude qui est appelé l'analyse de variation
19
Requirement
Product geometrical Specification
Design Manufacturing
Product with ideal Real Product with deviation in
Geometry & Dimension Geometry & Dimension
Inspection
Product Geometrical evaluation
20
“Tolerances define allowable variations in the geometry and positioning of parts’

in a mechanical assembly, so as to assure its proper functionality. These
tolerances need to be analyzed to estimate the tolerance buildup in the assembly.
The functionality of an assembly is determined in terms of variations in some
critical assembly response functions” [Nigam S. D. et al, 1995].
21
Analyse ou Synthèse
22
Chaîne de cotes dimensionnelles
Cumul de tolérances dimensionnelles en 1D:
x3 x1
y
1-Établir un point de départ et un point d’arrivée
(donc une direction positive);
2.Déterminer les surfaces de contact entre les
composantes;
3. Partir dans le sens contraire en cherchant le x4
chemin le plus court qui passe par les surfaces de x2
contacts sur des dimensions contrôlées. Pour des
pièces plus complexes, quelques changements de
direction (gauche - droite) peuvent survenir;
i=n
4. Ajouter les signes aux valeurs nominales = =
y Gapnom ∑( p × x )
i =1
i
nom
i
5. Additionner les valeurs nominales algébriquement
i=n
6. Pour calculer les écarts sur selon une approche =
TolGap =
Tol wc ∑ ( p × Tol ) i i
limite : i =1
23
i=n
y =
Gapnom ∑( i i )
p
i =1
× x nom
i=n
=
TolGap =
Tol wc ∑ ( p × Tol )
i =1
i i
24
Dans le cas des tolérances dites « non balancées », les tolérances dont les valeurs en plus
(+) ne sont pas égales à la valeur en moins (-).
L’approche de base demeure identique à la simple différence qu’on doit considérer les
tolérances positives et négatives séparément.
i =n
Gapmin=
MMC ∑( i i )
p
i =1
× x MMC
i =n
Gapmax=
LMC ∑( p × x )
i =1
i i
LMC
25
Exemple:
26
Méthodes d’analyse des tolérances
Dimensions: 1D , 2D et 3D
Objectif :
- Méthode d’analyse Min/Max – Limites (Worst Case):

Méthode mathématique d’analyse pour établir la valeur résultante dans un assemblage
en utilisant les dimensions extrêmes simultanément.
- Méthode d’analyse statistique :

L’analyse selon la méthode statistique est effectuée pour établir la capabilité d’un
assemblage de plusieurs composantes. Chaque composante est considérée comme une
variable issue d’un procédé de fabrication spécifique ayant une valeur cible et une
distribution statistique normale.
27
Worst Case Statistique
La dimension nominale résultante est la La moyenne résultante est la somme des

somme algébrique des dimensions nominales moyennes des variables xi . C’est-à-dire,
des variables xi . C’est-à-dire, i=n
i=n µGap
= ∑( p × µ )
∑( p × x )
i i
=y i
nom
i i =1
i =1 La variance du résultat Y est la somme de toutes
La tolérance résultante est la somme de les variances de chacune des variables.
toutes les tolérances des variables. i =n
i=n σ
= 2
∑( p 2
× σ i2 ) 1
∑ ( p × Tol )
Gap i
=
TolGap =
Tol wc i i i =1
i =1
±TolGap ( @ 99.73% ) =
±3σ Gap
±TolGap ( @ 99.9998% ) =
±4σ Gap
n
Si toute les dimensions xi sont centrées, normales et d’une T= T= ∑ ( pi × Toli )
2
capabilité cohérente (RSS, Root Sum Square) Gap RSS

i =1
1 Cette dernière équation n’est valable que si, et seulement si, les variables sont considérées comme indépendantes
28
Worst Case - Min/Max Statistique
La méthode est simple à utiliser. La méthode est plus complexe à utiliser.
Basée sur un 0 défaut théorique. Basée sur % défauts réels.
Cette méthode est conservatrice. Elle considère Cette méthode est basée sur les probabilités
la possibilité d’obtenir simultanément toutes les réelles d’interférence entre les composantes.
composantes à leurs limites permises de
tolérances.
Cette méthode n’a pas besoin d’une collecte de Nécessite une collecte de données pour
données. identifier les capacités des procédés de
fabrication.
Cette méthode alloue des petites tolérances. Cette méthode alloue des tolérances plus
grandes. Elle optimise la distribution de ces
dernières.
Le fournisseur peut utiliser des calibres Go- Le fournisseur ne peut par utiliser des calibres
Nogo pour la vérification des pièces de Go-Nogo pour la vérification des pièces de
production. production. Il doit effectuer des mesures par
variable et assurer la stabilité et la capabilité
durant la production.
Ne crée pas un lien direct avec les capacités Cette méthode crée un lien direct avec les
des procédés de fabrication. capacités des procédés de fabrication.
À utiliser durant les études préliminaires. Cette méthode est privilégiée pour fixer les
tolérances des pièces de production.
29
Il faut bien comprendre…
Dans le cas des tolérances Min/Max (Worst Case), le fournisseur doit se maintenir à
l’intérieur de l’intervalle des tolérances sous n’importe quelle forme.
44.5
45.5
LTI But LTS
Dans le cas des tolérances statistiques, l’ensemble des pièces de production doit se
maintenir statistiquement à l’intérieur des limites des tolérances tout en respectant les
capacités de production imposées .
30
Exemple:
31
Méthode statistique modifiée:
Quand les procédés sont décentrés et non normaux, , une méthode statistique modifiée peut être
employée. À mi-chemin entre WC et ST, il s’agit de pondérer avec un coefficient
C f ( 1.1 ≤ C f ≤ 1.6 )
i=n i=n
µGap
= ∑( p × µ )
i =1
i i σ
= Cf 2
Gap
2
∑( p
i =1
2
i × σ i2 )
Et pour exprimer l'intervalle d'une tolérance :
±TolGap ( @ 99.73% ) =
±3σ Gap ±TolGap ( @ 99.9998% ) =
±4σ Gap
Pour déterminer la valeur numérique de C f :
0.5 (Tolwc − Tolrss )

=Cf +1
Tolrss ( n −1 )
32
Exemple: X Σ = x1 + x2 − x3 − x4 − x5
Écart
Dimensions Tolérance Moyenne
Pi type
(mm) (mm) (mm)
(mm)
x1 30,00 ± 0.25 +1 30,10 0,07
x2 30,00 ± 0.25 +1 30,10 0,07
x3 50,00 ± 0.1 -1 49,5 0,03
x4 4,00 ± 0.05 -1 4,01 0,01
x5 4,00 ± 0.05 -1 3,98 0,01
𝑋𝛴 = 30 + 30 - 50 - 4 - 4= 2mm
Méthode worst-case:
𝑇𝑇𝑙𝛴 = 𝑇𝑇𝑙𝑤𝑤 = 0,25 + 0,25 + 0,1 + 0,05 + 0,05 = 0,7
Méthode statistique: 𝜇𝛴 = 30 ,1 + 30,1 – 49,5 – 4,01 – 4,01= 2,68 mm
𝛿𝛴 = 0,072 + 0,072 + 0,032 + 0,012 + 0,012=0,10

±TolGap ( @ 99.9998% ) =
±4σ Gap
±TolGap ( @ 99.73% ) =
±3σ Gap
33
Exemple: X Σ = x1 + x2 − x3 − x4 − x5
Dimensions Tolérance
Pi
(mm) (mm)
x1 30,00 ± 0.25 +1
x2 30,00 ± 0.25 +1
x3 50,00 ± 0.1 -1
x4 4,00 ± 0.05 -1
x5 4,00 ± 0.05 -1
Méthode statistique:
• Si le procédé et centré et normale
𝜇𝛴 = 30 ,1 + 30,1 – 49,5 – 4,01 – 4,01= 2,68 mm

n
T= T= ∑ ( p × Tol )
2
Gap RSS i i = 0,252 + 0,252 + 0,12 + 0,052 + 0,052 =0,37
i =1
34
Indépendance et dépendance statistique
µ2 µ3 µ4
h1 h2 σ2 h3 σ3 h4 σ4
H = h1 + h2 + h3 + h4
µ H = µ1 + µ2 + µ3 + µ4
35
On désigne deux variables (ou plus) comme X2
indépendantes statistiquement, s’il n’existe
aucun lien ou une relation entre elles.
On désigne deux variables (ou plus) comme

dépendantes statistiquement, s’il existe une
quelconque relation entre elles.
X2 X2
X1
inversement proportionnelles linéairement proportionnelles
36
ry ×10-4 (rad)
rx ×10-4 (rad)
cov( X 1 , X 2 ) =ρ ⋅ σ X1 ⋅ σ X 2
37
La fonction de covariance:
La covariance de deux (2) variables mesure l’association entre ces deux dernières
cov( x, y ) =
Coefficient de corrélation linéaire de Bravais-Pearson:
cov( x, y ) =ρ ⋅ σ x ⋅ σ y
38
ρ =0 Indique l’absence d’une corrélation
ρ =1 Indique une parfaite corrélation positive (une ligne droite à

pente positive) entre X1et X2
ρ = −1 Indique une parfaite corrélation négative (une ligne droite à

pente négative) entre X1et X2
10
C1
𝜌=1 5
𝜌=0,86
0
0 10 20
C3
10
𝜌=0,17 𝜌=0
C1
0 10 20
C3
39
Dans le cas de deux (2) variables aléatoires normales et significativement corrélées X1 et
X2, nous pouvons utiliser les équations ci-dessous pour calculer le résultat d’une
combinaison linéaire simple entre eux.
Fonction Moyenne de Y Variance de Y

Y = X1 + X 2 µ=
Y µX + µX
1 2
σ Y2 = σ X2 + σ X2 + 2 cov( X 1 , X 2 )
1 2
Y = X1 − X 2 µ=
Y µX − µX
1 2
σ Y2 = σ X2 + σ X2 − 2 cov( X 1 , X 2 )
1 2
40
Exemple:
µ2
X1 X2 σ2
Composantes Moyenne (po) Écart type (po)

1
2
1.100’’
1.010’’
.008’’
.005’’
HTot
A: 𝜌 égale à 0
B: 𝜌 égale à 0,71
41
Distribution des tolérances / Synthèse des
tolérances
42
Analyse d’un assemblage / Analyse des
variations
43
Scénarios 1 + 2
Le Gap entre .030’’-.120’’
44
Exemple: X1 X2
µ2
σ2
Étape 1 : Fonction H Tot = f ( X 1 , X 2 ) = X 1 + X 2

HTot
Composa Écart
Étape 2 : Données statistiques ntes
Moyenne
type
1 500 mm 2.20 mm
2 250 mm 1.50 mm
Étape 3 : Moyenne de la fonction µTot = µ X 1 + µ X 2 = 500 + 250 = 750 mm
Étape 4 : Écart type de la fonction σ Tot = σ X1 + σ X 2 = 2.22 + 1.52 = 2.66 mm
Étape 5 :
Limites Six Sigma ±6.15σ Tot 750 ± (6.15 ∗ 2.66)
( @ 99.9998% ) = ±4σ Tot
( @ 99.73% ) = ±3σ Tot

45
Exemple: Le coefficient de corrélation a été estimé égale à 0.8 X1 X2
µ2
σ2
Étape 1 : Fonction H Tot = f ( X 1 , X 2 ) = X 1 + X 2

HTot
Composa Écart
Étape 2 : Données statistiques ntes
Moyenne
type
1 500 mm 2.20 mm
2 250 mm 1.50 mm
Étape 3 : Moyenne de la fonction µTot = µ X 1 + µ X 2 = 500 + 250 = 750 mm
Étape 4 : Écart type de la fonction σ=

Tot 2.22 + 1.52 + 2 × 0.8 × 2.2 × 1.5
= 1.34 mm
Étape 5 :
Limites Six Sigma ±6.15σ Tot
( @ 99.9998% ) = ±4σ Tot
( @ 99.73% ) = ±3σ Tot

46
Exemple:
Exemple:
Y= + X 2 − ( X1 + X 3 )
f ( X1, X 2 , X 3 ) =
Composantes Moyenne (µ) Écart type (σ)

1 20 mm 0.05 mm
2 60 mm 0.12 mm
3 37 mm 0.05 mm
A: variables indépendantes,
B: les variables X1 et X3 sont dépendantes, Le coefficient de corrélation a été

estimé égale à 0.8 ,
47
Exemple:
RÉSULTAT no1 :
Y = + X1 + X 2 − X 3 − X 4 − X 5 + X 6 − X 7 + X 8
Dimensions Produit
1 6.0 ± 0.25 +1 Standard
2 2.5 ± 0.1 +1 Standard
3 9.5 ± 0.05 -1
4 3.0 ± 0.02 -1 Standard
5 28.5 ± 0.25 -1
6 30.0 ± 0.25 +1
7 6.6 ± 0.1 -1
8 7.5 ±0.1 +1 Standard
48
Tolérances non linéaires
Il arrive souvent que le modèle analytique de la fonction Y
ne soit pas linéaire.
y = f ( x1 , x2 , , xn )
Tolérances linéaires Tolérances non linéaires

La relation f ( x1 , x2 , , xn ) s’exprime La relationf ( x1 , x2 , , xn ) s’exprime comme
comme une somme algébrique linéaire une équation non linéaire entre des variables xi .
de toutes les variables xi .
y = f ( x1 , x2 , , xn )
i=n
=y ∑( p × x )
i =1
i
nom
i
Cette dernière peut être confondue sous certaines
hypothèses avec (linéarisation avec une série de
Taylor),
pi est le coefficient poids de chaque i =n
variable. La valeur de ce coefficient est y ≈ ∑ ( pi × xinom )
égale à +1 ou –1. i =1
∂f
pi ≈ est le coefficient poids de chaque
∂xi x
variable. Sa valeur n’est pas nécessairement un
entier. Par exemple, si
Y = X1 ( X 2 )
−1
alors, P1 = 1 X 2 , P2 = − X 1 X 22
49
Tolérances non linéaires
Analytique
y = f (x1 , x2 ,..., xN ) y ≈ p1 x1 + p2 x2 +  + pn xn
Analytique Expérimentale
∂f
pi ≈
∂xi x1 , x2 ,..., xn
Simulation graphique Simulation numérique
50
Analyse des tolérances non linéaires
Analyse des tolérances non linéaires selon le Worst Case
La moyenne générale:
∂f ∂f ∂f
µy ≈ × µ x1 + × µ x 2 +  + × µ xn ≈ p1µ x1 + p2 µ x 2 +  + pn µ xn
∂x1 ∂x2 ∂xn
Tolérance résultante:
∂f ∂f ∂f
Tol y ≈ × Tolx1 + × Tolx 2 +  + × Tolxn ≈ p1 × tolx1 + p2 × tolx 2 + ... + pn × tolxn
∂x1 ∂x2 ∂xn
51
Analyse statistique des tolérances non linéaires
La moyenne générale (espérance) de la fonction nous donne :
∂f ∂f ∂f
µy ≈ × µ x1 + × µ x 2 +  + × µ xn ≈ p1µ x1 + p2 µ x 2 +  + pn µ xn
∂x1 ∂x2 ∂xn
Les variables sont indépendantes:
2
N
 ∂f 
σ y2 = ∑   ⋅ σ i2
i =1  ∂xi 
52
Analyse statistique des tolérances non linéaires
Les variables sont dépendants
2
 ∂f 
N N −1 N
∂f ∂f N N −1 N
σ
= 2
y ∑  
1  ∂xi 
i=
⋅ σ i
2
+ 2 ∑
i=
∑i +1 ∂x ∂x σ=
1 j=
ij ∑p
i=
1
i
2
i
2
⋅ σ + 2∑
i=1 j=
i +1
∑ ppσ
i j ij
i j
σ ij
ρij =
σ i ⋅σ j
2
 ∂f 
N N −1 N
∂f ∂f N N −1 N
σ y ∑   ⋅ σ i + 2∑ ∑
= 2 2
⋅ ρij ⋅ σ i ⋅ σ= ∑p 2 2
⋅ σ + 2∑ ∑ pp ⋅ ρ ⋅σ ⋅σ
∂ ∂ ∂
j i i i j ij i j
1 
i= xi  i=1 j=
i +1 xi x j i=
1 i=1 j=
i +1
53
Exemple -système d’embrayage :
Composants
54
Exemple:
Le résultat de cet assemblage peut être décrit par l’angle de contact entre les
éléments.
Cet angle sera désigné comme la fonction: y = f ( x1 , x2 , x3 , x4 )
55
Exemple:
Étape 1 : la construction du modèle mathématique
 x2 + x3 
 x +
2 
1
y = cos −1 
x2 + x3 
 x4 − 
 2 
56
Exemple:
Étape 2: Données statistiques
Composantes Moyenne (µ) Tolérance (±)

1 55.29 mm 0.156
2 22.86 mm 0.013
3 22.86 mm 0.013
4 101.60 mm 0.156
y=0.122 ± 0.035 rad.
Étape 3 : Moyenne (dimension nominale) de la fonction
 22.86 + 22.86 
55.29 +
−1  2 
= =  22.86 + 22.86 
y cos 0.1225 rad
101.60 − 
 2 
57
Exemple:
Étape 4 : Coefficients
∂f ∂f ∂f ∂f
=p1 = p2 = p3 = p4
∂x1 ∂x2 ∂x3 ∂x4
p1 = −0.1039
p2 = p3 = −0.1035
p4 = 0.1032
Étape 5-A : Calcul de la tolérance résultante – Approche classique (Worst Case)
∂f ∂f ∂f ∂f
Tol y ≈ × Tolx1 + × Tolx 2 + × Tolx 3 + × Tolx 4
∂x1 ∂x2 ∂x3 ∂x4
TolY ≈ − 0.103 × 0.156 + 2 × − 0.1035 × 0.013 + 0.1023 × 0.156 = 0.035
58
Exemple:
Étape 4 : Coefficients
∂f ∂f ∂f ∂f
=p1 = p2 = p3 = p4
∂x1 ∂x2 ∂x3 ∂x4
p1 = −0.1039
p2 = p3 = −0.1035
p4 = 0.1032
Étape 5-A : Calcul de la tolérance résultante – Approche classique (Worst Case)
∂f ∂f ∂f ∂f
Tol y ≈ × Tolx1 + × Tolx 2 + × Tolx 3 + × Tolx 4
∂x1 ∂x2 ∂x3 ∂x4
TolY ≈ − 0.103 × 0.156 + 2 × − 0.1035 × 0.013 + 0.1023 × 0.156 = 0.035
le résultat est égal à 0.1225±0.035 (rad)

59
Exemple:
Étape 5-B : Calcul de l’écart type de Y – Approche statistique
Sous l’hypothèse que nous connaissons les écarts types des procédés de fabrication
des quatre (4) composantes qui constituent l’assemblage
Composantes Moyenne (µ) Écart type (mm)

1 55.29 mm 0.025
2 22.86 mm 0.002
3 22.86 mm 0.002
4 101.60 mm 0.023
σ y2 ≈ p12 × σ X2 1 + p22 × σ X2 2 +  + pn2 × σ X2 n
σ=
y 0.10392 × 0.0252 + 2(0.10352 × 0.0022 ) + 0.10322 × 0.0232= 0.0035
60
Exemple:
Étape 6 : Limites de tolérance
@Six Sigma µ y ± (6.15 ∗ σ y )= 0.1225 ± (6.15 ∗ 0.0035) rad = 0.01225 ± 0.0215
( @ 99.9998% ) µ y ± (4 ∗ σ=
y) 0.1225 ± (4 ∗ 0.0035) rad
= 0.1225 ± 0.0140
( @ 99.73% ) µ y ± (3 ∗ σ=
y) 0.1225 ± (3 ∗ 0.0035) rad
= 0.1225 ± 0.0105
@ Worst Case 0.1225±0.035
61

Tolerancement Geometrique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tolerancement Geometrique

Transféré par

Droits d'auteur :

Formats disponibles

MGA820

Analyse des variations en

L'interchangeabilité est la possibilité de prendre au hasard dans un lot de pièces

• 2 critères définissent une cote tolérancée:

Cote nominale 25,00 irréalisable

2 limites sont définies 25.00+−0.30

Écart supérieur +0,30 Intervalle

L’ajustement avec jeu

L’ajustement avec serrage

Pièce avec guidage précis pour mouvement de faible amplitude g 5 6

Ref: notes de cours GPA 210

Ref: note s de cours GPA 210

Il est recommandé d’employer les

Étudier la tolérance résultante d'un assemblage de plusieurs pièces est un domaine

“Tolerances define allowable variations in the geometry and positioning of parts’

- Méthode d’analyse Min/Max – Limites (Worst Case):

- Méthode d’analyse statistique :

La dimension nominale résultante est la La moyenne résultante est la somme des

capabilité cohérente (RSS, Root Sum Square) Gap RSS

LTI But LTS

Et pour exprimer l'intervalle d'une tolérance :

Pour déterminer la valeur numérique de C f :

0.5 (Tolwc − Tolrss )

Méthode statistique: 𝜇𝛴 = 30 ,1 + 30,1 – 49,5 – 4,01 – 4,01= 2,68 mm

𝛿𝛴 = 0,072 + 0,072 + 0,032 + 0,012 + 0,012=0,10

𝜇𝛴 = 30 ,1 + 30,1 – 49,5 – 4,01 – 4,01= 2,68 mm

On désigne deux variables (ou plus) comme

inversement proportionnelles linéairement proportionnelles

Coefficient de corrélation linéaire de Bravais-Pearson:

ρ =1 Indique une parfaite corrélation positive (une ligne droite à

ρ = −1 Indique une parfaite corrélation négative (une ligne droite à

Fonction Moyenne de Y Variance de Y

Composantes Moyenne (po) Écart type (po)

Le Gap entre .030’’-.120’’

Étape 1 : Fonction H Tot = f ( X 1 , X 2 ) = X 1 + X 2

Étape 3 : Moyenne de la fonction µTot = µ X 1 + µ X 2 = 500 + 250 = 750 mm

Étape 4 : Écart type de la fonction σ Tot = σ X1 + σ X 2 = 2.22 + 1.52 = 2.66 mm

( @ 99.9998% ) = ±4σ Tot

( @ 99.73% ) = ±3σ Tot

Étape 1 : Fonction H Tot = f ( X 1 , X 2 ) = X 1 + X 2

Étape 3 : Moyenne de la fonction µTot = µ X 1 + µ X 2 = 500 + 250 = 750 mm

Étape 4 : Écart type de la fonction σ=

( @ 99.9998% ) = ±4σ Tot

( @ 99.73% ) = ±3σ Tot

Composantes Moyenne (µ) Écart type (σ)

B: les variables X1 et X3 sont dépendantes, Le coefficient de corrélation a été

Tolérances linéaires Tolérances non linéaires

Simulation graphique Simulation numérique

La moyenne générale (espérance) de la fonction nous donne :

Les variables sont indépendantes:

Les variables sont dépendants

Cet angle sera désigné comme la fonction: y = f ( x1 , x2 , x3 , x4 )

Composantes Moyenne (µ) Tolérance (±)

y=0.122 ± 0.035 rad.

Étape 3 : Moyenne (dimension nominale) de la fonction

Étape 5-A : Calcul de la tolérance résultante – Approche classique (Worst Case)

TolY ≈ − 0.103 × 0.156 + 2 × − 0.1035 × 0.013 + 0.1023 × 0.156 = 0.035

Étape 5-A : Calcul de la tolérance résultante – Approche classique (Worst Case)

TolY ≈ − 0.103 × 0.156 + 2 × − 0.1035 × 0.013 + 0.1023 × 0.156 = 0.035

le résultat est égal à 0.1225±0.035 (rad)

Composantes Moyenne (µ) Écart type (mm)

σ y2 ≈ p12 × σ X2 1 + p22 × σ X2 2 +  + pn2 × σ X2 n

@Six Sigma µ y ± (6.15 ∗ σ y )= 0.1225 ± (6.15 ∗ 0.0035) rad = 0.01225 ± 0.0215