Browsing by Author "Laddada, Sofiane"

Now showing 1 - 5 of 5

A data-driven prognostic approach based on wavelet transform and extreme learning machine
(2017) Laddada, Sofiane; Benkedjouh, Tarak; Si- Chaib, M. O.; Drai, R.
The monitoring of a cutting tool is needed for the prediction of impending faults and estimating its Remaining Useful Life (RUL). Implementing a robust Prognostic and Health Management (PHM) system for a high speed milling CNC cutter remains a challenge for various industries to reach improved quality, reduced downtime, increased system safety and lower production costs. The purpose of the present paper is health assessment and RUL estimation of the cutting tool machines. To do so, an approach based the use of Wavelet Packet Transform (WPT) and Extreme Learning Machine (ELM) for tool wear condition monitoring is proposed. Among the main steps is feature extraction where the relevant features of raw data are computed in the form of nodes energy using WPT. The extracted features are then fed to the learning algorithm ELM; the main idea is that ELM involves nonlinear regression in a high dimensional feature space for mapping the input data via a nonlinear function to build a prognostics model. The method was applied to real world data gathered during several cuts of a milling CNC tool. Results showed the significance performances achieved by the WPT and ELM for tool wear condition monitoring.
Evaluation des discontinuités dans les matériaux à l'aide de l'analyse par ondelettes des signaux ultrasonores
(2013) Laddada, Sofiane
L'identification des défauts et fissures dans les matériaux est une exigence de la sécurité et de la fiabilité des systèmes mécaniques fonctionnant sous charges dynamiques. La localisation par ultrasons de certains défauts critiques proches ou débouchant sur la surface fournit des signaux ultrasonores complexes dont l'analyse requiert des méthodes de traitement évoluées et plus raffinées que les techniques classiques. La présente étude porte sur l'évaluation acoustique des défauts artificiels, du type délaminage, rainure et défauts adjacents, contenus dans des échantillons en composite stratifié et en acier. Pour atteindre cet objectif, la méthode d'analyse par ondelettes a été appliquée aux signaux ultrasonores pour extraire les informations utiles relatives à la résolution spatiale permettant d'accéder à la profondeur de l'anomalie contenue dans le matériau examiné. Un programme de calcul sous Matlab a été conçu et appliqué pour la détermination des coefficients de détails de la transformée en ondelettes. Les résultats obtenus ont conduit à la détection et la localisation des positions des différents défauts inspectés. Une analyse d'un signal théorique composé construit analytiquement a fait aussi l'objet de cette étude. Les résultats des calculs par ondelettes sont en bon accord avec les caractéristiques des réflecteurs artificiels étudiés
Pronostic de l’usure des outils de coupe à l’aide des techniques de l’intelligence artificielle
(Université M'Hamed Bougara : Faculté de Technologie, 2021) Laddada, Sofiane; Si-Chaib, Mohammed Ouali(Directeur de thèse)
Dans l’industrie, l’exigence de compétitivité conduit les entreprises manufacturières à surveiller d’une manière fiable et précise les conditions de fabrication des produits essentiellement celles liées à l’obtention des pièces complexes par enlèvement de matière. Dans ce type d’usinage, l’usure de l’outil de coupe est l’un des facteurs les plus critiques affectant la qualité des surfaces de pièces usinées, les tolérances géométriques imposées et la tenue de l’outil dans le temps. Le développement d’un système de surveillance fiable de précision avec une productivité optimale est un intérêt économique important afin d’être capable de faire un suivi en ligne des machines-outils pour réduire les temps d’arrêt, éviter les bris des machines et des dommages aux pièces. Dans cet esprit, la thèse porte sur le diagnostic et pronostic de défaillance de composant critique comme "l’usure des outils de coupe" pour estimer à tout instant leur état de santé, détecter les signes précurseurs de l’initiation d’une dégradation et prédire son état futur utile au calcul de la durée de vie restante (Remaining Useful Life : RUL). Dans ce cadre, cette étude est basée sur l’approche pronostic orientée données recueillies par les capteurs d’émission acoustique et de vibrations. Le travail se fait en deux phases principales, une phase d’apprentissage (hors ligne) et une phase d’exploitation ou de test (en ligne). Dans la première phase, les signaux bruts sont traités par la transformée en ondelettes pour extraire les caractéristiques pertinentes relevant du phénomène de dégradation subi par l’outil de coupe. Ces caractéristiques sont ensuite directement utilisées ou réduits pour établir des modèles obtenus par la machine d’apprentissage extrême améliorée (IELM) et les systèmes d’inférence neuro floue (ANFIS) capables de fournir une information sur les différents états de santé du composant durant son utilisation. Dans la deuxième phase, le modèle appris est exploité pour identifier l’état actuel du composant et estimer son RUL. Les méthodes proposées ont été appliquées aux données du monde réel recueillies au cours de plusieurs coupes d’usinage d’une machine-outil à commande numérique (CNC)
Remaining useful life prediction of cutting tools using wavelet packet transform and extreme learning machine
(Institute of electrical andelectronic engineering /Laboratory of signals and systems (LSS), 2018) Laddada, Sofiane; Benkedjouh, Tarak; Ouali Si-Chaib, Mouhamed; Drai, Redouane
Online tool wear prediction is a determining factor to the success of smart manufacturing operations. The implementation of sensors based Prognostic and Health Management (PHM) system plays an important role in estimating Remaining Useful Life (RUL) of cutting tools and optimizing the usage of Computer Numerically Controlled (CNC) machines. The present paper deals with health assessment and RUL estimation of the cutting tool machines based on Wavelet Packet Transform (WPT) and Extreme Learning Machine (ELM). This approach is done in two phases: a learning (offline) phase and a testing (online) phase. During the first phase, the WPT is used to extract the relevant features of raw data computed in the form of nodes energy. The extracted features are then fed to the learning algorithm ELM in order to build an offline model. In the online phase, the constructed model is exploited for assessing and predicting the RUL of cutting tool. The main idea is that ELM involves nonlinear regression in a high dimensional feature space for mapping the input data via a nonlinear function to build a prognostics model. The method was applied to real world data gathered during several cuts of a milling CNC tool. The performance of the proposed method is evaluated through the accuracy metric. Results showed the significance performances achieved by the WPT and ELM for early detection and accurate prediction of the monitored cutting tools.
Tool wear condition monitoring based on wavelet transform and improved extreme learning machine
(Sage journals, 2019) Laddada, Sofiane; Ouali Si-Chaib, Mouhamed; Benkedjouh, Tarak; Drai, Redouane
In machining process, tool wear is an inevitable consequence which progresses rapidly leading to a catastrophic failure of the system and accidents. Moreover, machinery failure has become more costly and has undesirable consequences on the availability and the productivity. Consequently, developing a robust approach for monitoring tool wear condition is needed to get accurate product dimensions with high quality surface and reduced stopping time of machines. Prognostics and health management has become one of the most challenging aspects for monitoring the wear condition of cutting tools. This study focuses on the evaluation of the current health condition of cutting tools and the prediction of its remaining useful life. Indeed, the proposed method consists of the integration of complex continuous wavelet transform (CCWT) and improved extreme learning machine (IELM). In the proposed IELM, the hidden layer output matrix is given by inverting the Moore–Penrose generalized inverse. After the decomposition of the acoustic emission signals using CCWT, the nodes energy of coefficients have been taken as relevant features which are then used as inputs in IELM. The principal idea is that a non-linear regression in a feature space of high dimension is involved by the extreme learning machine to map the input data via a non-linear function for generating the degradation model. Then, the health indicator is obtained through the exploitation of the derived model which is in turn used to estimate the remaining useful life. The method was carried out on data of the real world collected during various cuts of a computer numerical controlled tool.