Soutenance mémoire
ÉTUDE DE LA RUGOSITÉ
L’émission acoustique en usinage
Lors du processus de coupe, la pièce subit de déformations plastiques considérables pendant le déplacement de l’outil. Dans la zone de déformation, l’énergie de tension est libérée pendant que les liens entre les atomes du métal sont perturbés (figure 1.1). Cette énergie libérée est désignée généralement sur le nom d’émission acoustique. D’autres sources d’émission acoustique incluent des transformations de phase, des mécanismes de frottement (contact pièce/outil) et formation de fentes ou propagation des fissures. D’après la norme ANSI/ASTM E 610-77, l’émission acoustique est définie par : « l’émission acoustique (AE) est la classe des phénomènes par laquelle des ondes élastiques transitoires sont générées par la libération rapide de l’énergie d’une source ou des sources localisées dans un matériau, ou les ondes élastiques transitoires produites »
Dornfeld (1989) a recensé différentes sources possibles d’émission acoustique pendant le processus d’usinage :
• déformation plastique pendant le processus de coupe dans la pièce;
• déformation plastique dans le copeau;
• contact à friction entre la surface du flanc de l’outil et la pièce qui résulte en l’usure du flanc;
• contact à friction entre la surface rang de l’outil et le copeau qui résulte en l’usure du cratère;
• collisions entre le copeau et l’outil;
• rupture du copeau;
• cassure de l’outil.
L’émission acoustique donc l’étendu spectrale de l’audible se situe entre 20 Hz et 20 KHz est constituée des signaux continus qui sont associés au cisaillement dans la zone primaire de l’usure et des signaux transitoires qui résultent de la rupture du copeau et de la cassure de l’outil. L’utilisation de l’acoustique en usinage a débuté en 1977. Grabec et Leskovar (1977) analyse le son émis par un outil lors de l’usinage d’un alliage d’aluminium et constate que le spectre de la fréquence audible est discret alors que celui de la gamme ultrasonique connu sur le nom d’émission acoustique (AE) est continu.
En étudiant l’influence et la pertinence des paramètres de coupe sur la distribution spectrale, il émet la possibilité d’utiliser le signal acoustique pour évaluer la finesse d’un outil de coupe. C’est ainsi que Iwata et Moriwaki (1977) ont été les premiers à utiliser un signal acoustique pour évaluer l’usure de l’outil dans un processus de coupe. Il découle de leur étude que la puissance spectrale des signaux acoustiques jusqu’à 350 kHz augmente avec l’usure de l’outil et atteint la saturation. Dès lors, beaucoup de recherches ont établi l’effectivité de l’utilisation de l’émission acoustique pour la surveillance de l’outil. L’utilisation de l’émission acoustique a été surtout orientée vers le contrôle de l’usure de l’outil dans la littérature.
Roget et al. (1988) ont effectué des essais d’usinage et les signaux AE captés ont été utilisés pour prédire l’état de l’outil de coupe. Ils ont conclu qu’une telle tâche ne pourrait être accomplie avec succès que dans des conditions limites et spécifiques. Plusieurs paramètres (AE) ont été enregistrés (RMS, moyenne, hauteur des crêtes). Une comparaison des courbes des signaux acoustiques enregistrés et de l’usure en dépouille a montré une similitude remarquable entre les caractéristiques des trois phases distinctes représentant les deux graphes usure-temps et AE-temps. Leurs conclusions finales étaient que l’émission acoustique a fourni des signes suffisant de changement des deux états de coupe, de la rupture et de la cassure de l’outil. Moriwaki (1988) a utilisé les mêmes types de données que Roget pour évaluer la durée de vie de l’outil. Les valeurs du RMS du signal acoustique enregistrés et les valeurs de l’usure (initiale, moyenne et tertiaire de l’usure de l’outil) ont été représentées graphiquement sur une même échelle uniquement pour la comparaison. Les graphes ont montré une forte corrélation de l’amplitude du RMS à l’usure de l’outil. D’autres analyses pour extraire les caractéristiques statistiques (moyenne, variance, RMS) ont été effectuées et représentées sur des graphes pour la totalité du cycle de coupe. Ces données ont été appliquées à un système de reconnaissance de forme, permettant de prédire la durée de vie de l’outil.
La vision en usinage
L’utilisation de la vision est une technique en plein essor en industrie dans le domaine de contrôle et d’inspection, et notamment de l’inspection de l’usure des outils.
La vision dans la détection de l’usure d’outil de coupe
Devant la question liée à la réduction des paramètres du processus sur l’utilisation de l’émission acoustique, certains auteurs ont abordé l’étude de l’usure de l’outil en utilisant un système de vision. Li et al. (2004) ont présenté une analyse basée sur la vision pour prédire le remplacement d’un outil de coupe en fonction de l’état de surface de la pièce usinée. Cependant, une enquête expérimentale a prouvé que la rugosité mesurée ne correspond pas régulièrement avec l’augmentation de l’usure de l’outil dans la gamme de dégrossissage avec demi-finition et finition (Wong. et al. 1996)
Mannan et al. (2000), nous a présenté une étude sur la technique de suivi des conditions de coupe de l’outil par le son et la vision. Ils partent du principe que l’usure de l’outil affecte la texture de la surface usinée et le bruit généré par le processus de coupe. On constate que beaucoup de travaux ont été faits dans ce sens. Whitehouse (1971, 1974, 1978) a appliqué l’analyse aléatoire comprenant l’analyse spectrale du caractère onduleux pour distinguer des surfaces produites par un outil aiguisé ou un outil émoussé. Peklenik (1963), Kubo et Peklenik (1968) ont appliqué des techniques automatiques de corrélation pour caractériser les surfaces usinées. Bradly et Wong (2001) a développé une méthode pour contrôler la texture de la surface dans le but d’évaluer l’usure de l’outil en fraisage, leur méthode est utilisée dans le domaine spatial et fréquentiel. La vision n’a pas seulement servi à la détection de l’usure de l’outil de coupe, elle a servi aussi à l’inspection de la rugosité.
La vision dans le contrôle de la rugosité
Avant les années 90, les seuls instruments d’exploration de la rugosité des matériaux à une échelle micrométrique étaient les palpeurs mécaniques. Ils permettaient d’acquérir des profils de surfaces sur lesquels étaient quantifiés des écarts de rugosité (Michel, 1989). Mais ils ont vite montré leur limite face aux exigences croissantes en matière de qualité. Ils imposaient par exemple l’intervention d’un expert pour choisir les profils les plus représentatifs de la surface, empêchant ainsi toute automatisation. Le profil réel des échantillons étaient fréquemment rayés par les pointes. Il persistait alors une incohérence entre la volonté d’étudier les surfaces et les données effectivement étudiées, qui n’étaient que des sousespaces des surfaces. C’est ainsi que de nouvelles techniques d’acquisition ont été élaborées pour supprimer ces défauts. On dispose ainsi aujourd’hui de la profilométrie optique (Poon C. et Bhushan B. 1995), de la microscopie à champs proche (Poon C. et Bhushan B. 1995), de la microscopie focale à disque tournant ou à balayage laser (Wilson 1990). Toutes ces techniques permettent d’acquérir la topographie d’une surface avec une résolution allant jusqu’aux microns. C’est ainsi que de plus en plus des manufacturiers voudraient détecter des non-conformités des pièces sur des machines-outils avant de les enlever sur la table de la machine. Les techniques de contrôle sont en constante évolution pour assurer une productivité toujours croissante. Une surface usinée n’est pas une surface parfaitement lisse. Selon la méthode d’usinage et les outils utilisés, elle présente de nombreuses irrégularités micro-géométriques ou macro-géométriques. L’ensemble de ces défauts de surface constitue la rugosité. Plus l’indice de rugosité est faible, plus il est difficile à obtenir, ce qui augmente nécessairement le coût de fabrication. L’inspection de la rugosité de surface à partir de la vision n’est pas récente. Malgré les efforts consentis, son application pour le contrôle de la rugosité sur une chaine de production est loin d’être opérationnelle.
Bien qu’il ait été démontré que la rugosité de surface peut être caractérisée par l’image de la surface, l’obtention des valeurs de rugosité en utilisant la technologie basée sur la vision est encore difficile (Lee et al. 2002). Le principal problème est de savoir comment acquérir les mesures fiables de la rugosité de la surface des pièces. Lee et al. (2002) a proposé une méthode pour évaluer la rugosité de surface en utilisant la texture de l’image. Leur résultat a montré la validité de l’approche proposée pour atteindre des valeurs précises de la rugosité arithmétique Ra, mais les variations des résultats en fonction de la lumière ou du matériau n’ont pas été abordées. Kumar et al. (2005) a introduit un paramètre de l’image dans les données de l’analyse de régression pour obtenir la rugosité de surface. Il a été établi qu’un rapport entre l’image de la surface optique capturée et la rugosité de la surface réelle a été utilisé dans des opérations de tournage utilisant un réseau de neurones (Ho et al. 2002) ou un réseau polynomial (Lee et Tarng 2001). Cependant, il a été révélé qu’une évaluation quantitative de la rugosité de la surface d’image capturée pourrait être sensiblement affectée en présence de surfaces ondulées (Yim et Kim 1994). C’est ainsi qu’on s’est tourné vers une autre technique de détection de défauts de l’état de surface. Il permet de comparer l’image testée avec une image sans défauts (pixel à pixel ou modèle à modèle). Ce processus a été développé par Wu (1996) et Yeh (2001), mais l’inconvénient de cette technique est le temps de traitement du processus, la sensibilité au bruit et le grand stockage des données de traitement.
|
Table des matières
INTRODUCTION
CHAPITRE 1 REVUE BIBLIOGRAPHIQUE
1.1 Introduction
1.2 L’émission acoustique en usinage
1.3 La vision en usinage
1.3.1 La vision dans la détection de l’usure d’outil de coupe
1.3.2 La vision dans le contrôle de la rugosité
1.4 Plan d’expériences
1.5 Conclusion et présentation de la méthodologie
CHAPITRE 2 PROCÉDURE EXPÉRIMENTALE
2.1 Machine d’usinage
2.2 Matériaux
2.3 Outils de coupe
2.4 Conditions d’usinages
2.5 Équipements de mesure
2.6 Plan d’expériences
CHAPITRE 3 ÉTUDE DE L’ACOUSTIQUE
3.1 Introduction
3.2 Analyse temporelle
3.2.1 Analyse et modèles du second degré
3.2.2 Résultats et analyses des signaux du micro 1 placé dans la machine outil
3.2.3 Analyse du signal complet
3.2.4 Intérêt de l’étude de la valeur efficace du signal
3.3 Analyse fréquentielle du signal
3.3.1 Stabilité du système
3.3.2 Analyse de l’usinage à la vitesse de 300 m/min
3.3.3 Analyse de l’usinage à la vitesse de 750 m/min
3.3.4 Analyse de l’usinage à la vitesse de 1200 m/min
3.4 Conclusion
CHAPITRE 4 ÉTUDE DE LA RUGOSITÉ
4.1 Introduction
3 4.2 Prédiction des paramètres mesurés parallèlement à l’avance
4.2.1 Modèle du second ordre
4.2.2 Transformation de la réponse
4.2.3 Analyse des influences
4.2.4 Surfaces de réponses
4.3 Prédiction des paramètres mesurés perpendiculairement à l’avance
4.3.1 Modèle du second ordre
4.3.2 Transformation de la réponse
4.3.3 Analyse des influences
4.3.4 Surfaces de réponses
4.4 Conclusion
4 CHAPITRE 5 UTILISATION DE LA VISION POUR LE CONTRÔLE DE LA RUGOSITÉ ARITHMÉTIQUE EN FRAISAGE HAUTE VITESSE
5.1 Introduction
5.2 La vision comme moyen de contrôle de l’usinage
5.2.1 Contrôle de la qualité de la surface usinée
5.2.2 Modélisation des équations de prédiction des finis de surfaces par la vision Rav
5.2.3 Équations de prédiction de la rugosité à partir de la régression entre Rim et Av
5.3 Conclusion
7 CONCLUSION
ANNEXE I MATRICE DES ESSAIS
ANNEXE II GRAPHE DE PARETO DES PARAMÈTRES DU SIGNAL DE COUPE 144 ANNEXE III PARETO BRUT DES FACTEURS DE RUGOSITÉ
ANNEXE IV ÉVOLUTION DU BRUIT ENGENDRÉ PAR L’USINAGE POUR LE REVÊTEMENT TiCN+Al2O3+TiN.
ANNEXE V VALEUR DES FRÉQUENCES OBTENUES LORS DE L’USINAGE DE L’AL 2024 AVEC L’OUTIL REVÊTU DU TICN
ANNEXE VI ARTICLE EN PRÉPARATION POUR SOUMISSION À UN JOURNAL149 RÉFÉRENCES BIBLIOGRAPHIQUES
Télécharger le rapport complet
