A contribution to online tool wear detection using deep learning methodology

Résumé

La surveillance des conditions d’opérations dans les centres d’usinage est essentielle pour augmenter la productivité, améliorer la qualité et réduire les temps d’arrêt. L’usure des outils est une source courante des problèmes liées à l’usinage. Généralement, cette usure est due aux températures élevées et aux contraintes mécaniques imposées par le processus d’usinage. Par conséquent, l’industrie exige une surveillance fiable de la condition de l’outil pour répondre aux exigences de qualité et de productivité. La recherche proposée porte sur un système de surveillance en ligne de l’usure des outils dans les opérations de fraisage. Les signaux de force, de vibration et de courant sont utilisés comme indicateurs de panne pour développer un modèle robuste. Les principales étapes de la conception d’un système de surveillance intelligent sont l’acquisition du signal, son traitement, la modélisation de l’usure et la prise de décision. Toutes ces étapes sont abordées dans cette recherche. Une série d’expériences est menée avec la machine à commande numérique à haute vitesse Huron K2X10 dans les laboratoires LIPPS et Dynamo de l’ÉTS. Aussi, lors des travaux de développement et de validation, une base de données de référence pour l’usure des outils (NASA-Ames) est utilisée. Dans l’étape de traitement du signal, la transformation temps-fréquence est sélectionnée pour révéler simultanément les caractéristiques à la fois temporelles et fréquentielles des signaux. La transformation en ondelettes est utilisée pour transformer les signaux au domaine tempsfréquence. La méthode de soustraction spectrale est mise à profit par-dessus de la transformation en ondelettes afin de supprimer la partie stationnaire (stable) du signal et d’amplifier ainsi les signatures de défaut. Les récents développements des algorithmes d’apprentissage, notamment des méthodes d’apprentissage en profondeur, entraînent une amélioration significative du degré d’automatisation. Nous avons utilisé le réseau de neurones à convolution (CNN) comme algorithme d’apprentissage en profondeur pour la modélisation de l’usure des outils. La plupart des algorithmes courants d’apprentissage automatique sont également implémentés dans une approche comparative, et nous démontrons que le CNN surpasse les autres algorithmes. En outre, cette recherche porte sur la capacité d’évolution des algorithmes de surveillance afin de les rendre plus pratiques en introduisant un apprentissage par transfert en profondeur dans cette application. Malgré les avantages des algorithmes d’apprentissage automatique, l’un de leurs principaux inconvénients est qu’ils ont de grandes exigences en matière de données. Par exemple, un système de surveillance formé à partir des données d’une machine et d’un modèle spécifique n’est pas réutilisable sur une autre machine. Par conséquent, pour chaque machine et tâche, une quantité considérable de données de formation est requise. L’apprentissage par transfert fait référence à la réutilisation d’un modèle d’apprentissage sur une machine, qui est formé sur un problème pour un nouveau problème connexe (ou similaire). Cette méthode a été mise en oeuvre et validée avec succès pour la surveillance de l’usure des outils, et il a été démontré qu’en exploitant le cadre de recherche proposé, il était possible d’obtenir de algorithmes de surveillance robustes, même avec de faibles quantités de données.

Date	25 mai 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Antoine Tahan (Directeur(-trice)) & Marc Thomas (Codirecteur(-trice))