Contributions à la modélisation et la simulation de la coupe des métaux : vers un outil d'aide à la surveillance par apprentissage

par Maxime Dawoua Kaoutoing

Thèse de doctorat en Génie Mécanique, Mécanique des Matériaux

Sous la direction de Olivier Pantalé et de Tibi Beda.

Le président du jury était Philippe Lorong.

Le jury était composé de Olivier Pantalé, Tibi Beda, Lucien Meva'a, Raymond Houé Ngouna, Nada Matta.

Les rapporteurs étaient Philippe Lorong, Lucien Meva'a.


  • Résumé

    Les procédés de mise en forme par enlèvement de matière, encore appelés usinage, sont les procédés de fabrication les plus utilisés pour la production des pièces mécaniques, notamment dans les secteurs industriels tels que l’aéronautique, l’automobile, le ferroviaire, etc. Bien que ces procédés soient largement utilisés dans l’industrie, la prédiction des grandeurs caractéristiques de l’usinage n’est pas toujours précise, et un mauvais choix des conditions de coupe peut être a l’origine de l’usure anormale de l’outil, voire de la dégradation de la qualité de la pièce usinée. La simulation fine des grandeurs de l’usinage, en vue de la détection des anomalies, est un bon exemple de cette problématique, car représentative du problème général d’optimisation de la coupe des métaux pour obtenir une précision de coupe et anticiper l’usure rapide des outils. Cette thèse est une contribution a la modélisation et a la simulation de la coupe des métaux, en vue d’une aide a la décision aux entreprises de fabrication de pièces mécaniques, basée sur l’extraction des connaissances a partir des données simulées. Une implémentation efficiente d'un modèle analytique de coupe orthogonale de métaux, capable de prédire les paramètres de coupe en un temps réduit a été proposée. La performance de ce modèle a été étudiée en comparant ses prédictions avec les données d’usinage de l’acier 1045 et de l’acier au carbone, disponibles dans la littérature. En exploitant la rapidité de la résolution obtenue à partir de l’implémentation proposée, une grande quantité de données simulant des conditions réelles de coupe a été générée, et a permis d’élaborer une démarche de surveillance de l’usinage, basée sur une méthode d’apprentissage profond non supervisée. La mise en œuvre avec les données simulées a permis de mettre en exergue la capacité de la démarche de détection proposée a identifier les combinaisons de valeurs des paramètres d’entrée (du modèle analytique de coupe) susceptibles de provoquer une température interne anormalement élevée ; celle-ci a en effet été considérée dans la thèse comme indicateur de santé du système d’usinage. L'implémentation du modèle d'apprentissage proposé a donné un taux de justesse de 99,96 % et une précision de 96 %, traduisant ainsi sa capacité à prédire efficacement le résultat.

  • Titre traduit

    Contributions to metal cutting modelling and simulation : towards a monitoring tool through machine learning


  • Résumé

    Shaping processes by material removal, also known as machining, are the manufacturing processes most commonly used for the production of mechanical parts, particularly in industrial sectors such as aeronautics, automotive, railways, etc. Although these processes are widely used in industry, the prediction of the characteristic sizes of the machining process is not always accurate, and a poor choice of cutting conditions can lead to abnormal tool wear or even to a deterioration in the quality of the machined part. The fine simulation of machining parameters, aiming at detecting anomalies, is a good example of this problem, as it represents the general problem of optimizing metal cutting to obtain cutting accuracy and anticipate rapid tool wear. This thesis is a contribution to the modelling and simulation of metal cutting, with a view to assisting mechanical parts manufacturing companies in their decision-making, based on knowledge extraction from simulated data. An efficient implementation of an analytical model of orthogonal cutting of metals, able to predict cutting parameters in a reduced time was proposed. The performance of this model was studied by comparing its predictions with the 1045 and carbon steel machining data that are available in the literature. By using the high speed resolution obtained from the proposed implementation, a large quantity of data simulating real cutting conditions was generated, and allowed the elaboration of a machining monitoring approach, based on a deep unsupervised learning method. The implementation with the simulated data highlighted the ability of the proposed detection approach to identify combinations of input parameter values (from the analytical cutting model) that could generate an abnormally high internal temperature; this was considered in the thesis as an indicator of the health of the machining system. Implementation of the proposed learning model gave an accuracy of 99,96 % and a precision of 96%, reflecting its ability to effectively predict the outcome.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Institut national polytechnique. Service commun de la documentation.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.