Pronostic de l’usure des outils de coupe à l’aide des techniques de l’intelligence artificielle

Abstract

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)