VALID3D | Valid generative design for 3D printing

Région:

Flandre

Financé par

Vers un contrôle qualité automatisé en fabrication additive métallique

La fabrication additive métallique (AM), notamment par fusion laser sur lit de poudre (LPBF), offre de nombreux avantages tels que la flexibilité, la légèreté et la réduction des coûts. Pourtant, son adoption dans des secteurs exigeants comme l’aéronautique et le médical reste limitée. En cause : le manque d’outils fiables et accessibles pour garantir la qualité des pièces critiques. Aujourd’hui, les contrôles qualité peuvent représenter jusqu’à 50 % du coût de fabrication. VALID3D répond à ce défi en développant une approche automatisée et basée sur les données, couvrant l’ensemble de la chaîne de production.

Groupe cible

Le projet s’adresse principalement aux acteurs suivants :

Entreprises de l’aéronautique produisant des pièces critiques
Fabricants de dispositifs médicaux nécessitant des pièces certifiées
Prestataires en fabrication additive souhaitant améliorer la traçabilité
Fournisseurs de logiciels et d’équipements AM

Contexte

Le marché mondial de la fabrication additive métallique connaît une forte expansion, avec plus de 21 000 machines installées et plus de 230 entreprises actives dans les domaines des équipements, logiciels, matériaux et services. Cette croissance s’accompagne d’une diversification des acteurs et d’exigences accrues en matière de qualité et de traçabilité, en particulier dans des secteurs à forte valeur ajoutée comme l’aéronautique et le médical.

Plusieurs défis subsistent. Les coûts liés au contrôle qualité restent élevés. La gestion des données est complexe en raison de leur volume et de leur hétérogénéité. Enfin, le manque d’outils avancés et de solutions logicielles adaptées limite la capacité à garantir des pièces fiables et conformes, notamment pour des applications critiques ou des dispositifs médicaux personnalisés.

Objectifs & résultats

VALID3D vise à améliorer le contrôle qualité et la compréhension des procédés en fabrication additive métallique grâce à l’automatisation et à l’intelligence artificielle.

Objectifs du projet :

Automatiser l’ingestion et l’intégration des données issues de plusieurs sources du procédé AM
Réduire de plus de 90 % le travail manuel lié au suivi qualité
Accélérer l’analyse des causes racines (RCA) grâce à l’IA, de plusieurs semaines à quelques minutes
Remplacer jusqu’à 70 % des contrôles non-destructifs (NDT) et destructifs (DT) par des analyses digitales, avec une réduction des coûts de fabrication pouvant atteindre 50 %

Principaux résultats attendus :

Outils automatisés pour l’ingestion et le traitement des données
Modules d’intelligence artificielle pour le monitoring qualité et l’analyse des défauts
Méthodes digitales permettant de réduire les contrôles DT et NDT
Rapports et guides sur les gains d’efficacité et l’impact industriel

Pour une unité de fabrication additive moyenne dans le secteur aérospatial (10 machines, 2 production par semaine par machine), ces avancées se traduisent par un gain d’efficacité de plus de 90 % (environ 160 k€/an) et une réduction des coûts liés aux contrôles NDT et DT de plus de 1,1 M€/an. Elles permettent également aux ingénieurs de se concentrer sur des tâches à plus forte valeur ajoutée et soutiennent la transition vers une industrie plus digitale et intelligente.

VALID3D 2 pictures — Image 1: Machine LPBF en cours d'impression au Sirris / Image 2: Système AMIQUAM par courant de Foucault embarqué dans la machine LPBF de Sirris

Approche

Le projet est structuré en cinq work packages :

WP1 : Gestion et diffusion
Coordination du projet, communication externe, transfert de connaissances, valorisation des résultats et définition des bonnes pratiques pour l’échange et la qualité des données.
WP2 : Intégration des processus
Harmonisation des formats de données, cartographie des étapes et connexion des systèmes sur toute la chaîne de la fabrication additive, collecte et structuration des données pour leur exploitation ultérieure.
WP3 : Développements techniques & système
Développement de l’évaluation automatisée des données de procédé, intégration de nouveaux capteurs, contrôle inter-couches et outils de monitoring ouverts.
WP4 : Qualité & intelligence artificielle
Utilisation des données collectées pour modéliser la qualité produit via l’IA, entraînement de modèles prédictifs, exploitation de données variées issues des applications.
WP5 : Cas d’usage
Spécification, implémentation et validation des cas d’application pour démontrer l’efficacité globale du projet.

Vous souhaitez en savoir plus sur le projet ?

Vous manquez de visibilité sur votre procédé AM ? Rejoignez le projet pour explorer une approche basée sur la transparence des données et valider vos cas d’usage.

Contactez Julien Magnien