Contribution à l’étude de systèmes de surveillance de l'usinage basés sur des méthodes d‘apprentissage machine et des mesures de vibrations, efforts et température de coupe

Contribution to the study of machining monitoring systems based on machine learning methods and measurements of cutting temperature, vibrations and forces

• Auteur / Autrice : Mariane Prado Motta
• Direction : Arnaud Delamézière, Cyril Pelaingre, Lanouar Ben Ayed
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des matériaux
• Date : Soutenance le 23/11/2022
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale C2MP - Chimie mécanique matériaux physique (Lorraine)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Etude des Microstructures et de Mécanique des Matériaux (Metz ; 2011-....)
• Jury : Président / Présidente : Julien Gardan
• Jury : Examinateurs / Examinatrices : Arnaud Delamézière, Cyril Pelaingre, Lanouar Ben Ayed, Catherine Da Cunha, Hélène Chanal
• Jury : Rapporteurs / Rapporteuses : Catherine Da Cunha, Hélène Chanal

Mots clés

Mots clés contrôlés

Modélisation prédictive

Spécifications

Essais (technologie)

Effets de la température

Coupe

Apprentissage supervisé (intelligence artificielle)

Qualité -- Contrôle

Usinage

Mots clés libres

Surveillance de l'usinage

Apprentissage machine

Température de coupe

Machining monitoring

Machine Learning

Cutting temperature

Résumé

L'usinage est un processus de fabrication d'une grande importance économique qui se base sur l'utilisation d'un outil de coupe affuté pour couper et enlever mécaniquement de la matière d'une pièce afin d'obtenir une géométrie souhaitée. Compte tenu des exigences toujours croissantes en termes de qualité, de variabilité des produits et de réduction des coûts, les systèmes de surveillance de l'état des outils ainsi que de la qualité de la pièce usinée, basés sur des techniques du domaine de l'intelligence artificielle (IA), constituent une solution potentielle pour en avoir des processus de fabrication plus fiables et économiques. Les récents développements dans le domaine de l'IA, ont montré un grand potentiel pour transformer le domaine de la fabrication avec des outils avancés dédiés à l'analyse et à la modélisation des données. En particulier, les algorithmes d'apprentissage machine supervisé (ML), constituent un outil puissant pour modéliser les relations complexes entre les variables d'entrée et de sortie sur la base d'un ensemble de données contenant des exemples, c'est-à-dire, de paires d'entrées-sorties. Néanmoins, l'un des principaux inconvénients de ces techniques de modélisation est qu'une grande quantité de données, généralement obtenues par la réalisation d'expériences (souvent longues et coûteuses à réaliser), est nécessaire pour former des modèles précis et fiables. Ce qui limite l'applicabilité de ces types de modèle dans un contexte industriel. Compte tenu de ce contexte, l'étude menée vise à contribuer à l'identification de méthodologies pour le développement de modèles ML dédiés à la surveillance d'usinage en conditions industrielles, dans lesquelles le temps et les ressources pour la réalisation d'expériences sont souvent limités. A cet effet, il est considéré dans cette étude que, bien que les expériences puissent parfois être coûteuses, dans l'industrie, il est courant qu'avant de lancer des productions d'usinage avec un nouvel outil ou un nouveau matériau, des expériences de réglage soient effectuées afin de déterminer les paramètres de coupe les plus appropriés pour réaliser cette production. Compte tenu de cette nécessité (ou recommandation), il sera investigué dans cette thèse, les performances prédictives qui peuvent être atteintes si des données, issues de ces expériences de réglage, sont utilisées pour générer des modèles prédictifs pour la surveillance de l'usinage. Plus précisément, des expériences de réglage issues de la méthodologie normalisée Couple-Outil-Matière (NF E 66-520) sont considérées. Soucieux d'obtenir de bonnes performances prédictives avec une quantité limitée de données expérimentales, des capteurs pour la mesure des efforts, de la température et des vibrations de coupe sont choisis comme instrumentation du système de surveillance à développer, en raison de ses relations étroites avec la cinématique du procédé d'usinage. A ce propos, une attention particulière est accordée à l'étape d'ingénierie des caractéristiques. Autrement dit, le processus qui consiste à transformer les données brutes disponibles, par exemple, les signaux enregistrés par les capteurs, en caractéristiques, c'est-à-dire, des informations, représentant plus précisément le problème sous-jacent au modèle prédictif. Finalement, étant donné que, dans l'industrie, le changement de référence de l'outil de coupe peut se produire assez souvent, il sera aussi étudié si les modèles développés pour un type d'outil de coupe cible peuvent être appliqués à d'autres types d'outils légèrement différents (variations sur le rayon de bec, substrat et revêtement) et si, pour l'entrainement de modèles ML, l'utilisation de bases de données plus volumineuses, mais contenant des observations relatives pas seulement l'outil cible, mais aussi à d'autres outils légèrement différents de celle-ci, sera plus avantageuse, par rapport à l'utilisation d'une base de données moins volumineuse, mais spécifique à l'outil cible.

Machining is an economically important manufacturing process that relies on the use of a sharpened cutting tool to mechanically cut and remove material from a part to achieve a desired geometry. Given the ever-increasing demands for quality, product variability and cost reduction, tool condition and workpiece quality monitoring systems based on artificial intelligence (AI) techniques are a potential solution are a potential solution for a more reliable and economical manufacturing processes. Recent developments in the field of AI, have shown great potential to transform the manufacturing domain with advanced tools dedicated to data analysis and modeling. In particular, supervised machine learning (ML) algorithms are a powerful tool for modeling complex relationships between input and output variables based on a dataset containing examples, i.e., input-output pairs. Nevertheless, one of the main drawbacks of these modeling techniques is that a large amount of data, usually obtained through experiments (often long and expensive to perform), is required to train accurate and reliable models. This fact limits the applicability of these types of models in an industrial context. Considering this context, this study aims to contribute to the identification of methodologies for the development of ML models dedicated to machining monitoring within industrial conditions, in which time and resources for the realization of experiments are often limited. For this purpose, it is considered in this study that, although experiments can be onerous, in the industry it is common that, before starting large scale machining productions with a new tool or material, setup experiments are performed to determine the most appropriate cutting parameters to perform that production. Given this need (or recommendation), it will be investigated in this thesis, the predictive performances that can be achieved if data, obtained from these tuning experiments, are used to generate predictive models for machining monitoring. More precisely, setting experiments from the standardized methodology Couple Tool-Material protocol (NF E 66-520) are considered. In an effort to obtain good predictive performance with a limited amount of experimental data, sensors for measuring cutting forces, temperature and vibrations are chosen as instrumentation for the monitoring system to be developed, given its close relationship with the kinematics of the machining process. In this matter, special attention is given to the feature engineering step. That is, the process of transforming the available raw data, for example, the signals recorded by the sensors, into features, i.e., information, that more accurately represent the problem underlying the predictive model. Finally, since in the industry the changes in cutting tool reference can occur quite often, it will also be investigated whether the models developed for a given target tool can be applied to other slightly different tools (variations on nose radius, substrate and coating) and whether, for the training of ML models, the use of larger databases, but containing observations related not only to the target tool but also to other tools slightly different from it, will be more advantageous, compared to the use of a smaller database specific to the target tool.