Soutenance mémoire
Présentation de l’usinage par outil coupant
Présentation de l’usinage par outil coupant
On appelle usinage toute opération de mise en forme par enlèvement de matière destinée à conférer une forme, des dimensions et un état de surface adaptés à l’utilisation finale d’une pièce tout en respectant les tolérances préconisées [Felder 1997]. Dans un usinage par outil coupant, un outil de coupe enlève de la matière à une pièce sous forme de copeau pour générer une nouvelle surface fonctionnelle ; cette configuration est illustrée par la figure qui suit. résument ainsi :
• Les différents procédés d’usinage (rabotage, tournage, fraisage, perçage, alésage et rectification) liés à la géométrie de la pièce finale souhaitée.
• La vitesse de coupe, l’avance et la profondeur de passe ; l’augmentation de la vitesse de coupe réduit la zone de contact à l’interface outil-copeau tout en engendrant des températures élevées proche du bec de l’outil [Che-Haron 2005]. L’avance et la profondeur de passe influencent la formation du copeau en modifiant sa section et l’énergie nécessaire au cisaillement de la matière [Bisu 2007]. Un mauvais choix de ces paramètres de coupe peut générer des effets indésirables tels que les vibrations importantes conduisant à des efforts de coupe excessifs et à des qualités de surface et des tolérances de fabrication médiocres. Ces risques peuvent réduire la durée de vie des outils et causer des dommages dans les éléments de machines [Segreti 2001].
• Les paramètres géométriques de l’outil de coupe sont déterminants dans la formation et l’évacuation du copeau [Habak 2006].
• Les matériaux et les revêtements pour les outils de coupe sont depuis quelques années un nouvel axe de recherche dans le monde industriel afin d’améliorer les conditions de coupe et la productivité. En 2001, 90 % des outils en carbure sont revêtus [Tönshoff 2001]. Ezugwu [Ezugwu 1997] a montré un taux d’usure plus important pour les outils non revêtus. Nouari [Nouari 2008] a également étudié les modes de dégradation pour les outils non revêtus en usinage à sec.
• Le comportement intrinsèque du matériau, le frottement intense à l’interface outil copeau et la lubrification. Par exemple, la lubrification modifie le processus de formation du copeau, les efforts de coupe engendrés lors de la coupe et la durée de vie des outils de coupe [Hamann 1998], [Bierla 2009]
Usinage à Grande Vitesse
L’Usinage à Grande Vitesse (UGV) est souvent présenté comme étant le fruit d’une merveilleuse découverte : si l’on augmente les vitesses de coupe au-delà des limites habituelles, on commence par traverser une zone de vitesses inutilisables poétiquement baptisée « vallée de la mort ». Ensuite, on entre dans un paradis de l’usineur ; les énergies et les efforts spécifiques de coupe diminuent, les états de surface deviennent excellents, les durées de vie des outils augmentent pour devenir largement supérieures aux durées obtenues en usinage conventionnel. Pratiquement, l’UGV ce n’est pas se décider à franchir une barrière de vitesse de coupe mais c’est mettre en œuvre, de façon rationnelle au meilleur niveau de performance économique, tous les éléments entrant dans la conduite de l’opération d’usinage concernée et pas uniquement les paramètres de coupe.
Aussi, on avance que l’UGV concerne les procédés d’usinage pour lesquels les paramètres de coupe sont très supérieurs à ceux utilisés en usinage conventionnel. À partir de quelles vitesses entre-t-on dans le domaine de l’UGV ?
La question, plus délicate qu’il n’y paraît, se subdivise comme suit :
– de quelle vitesse s’agit-il ?
– quelle est sa valeur limite ?
Dans l’esprit de nombreux usineurs, la vitesse concernée est la vitesse de coupe. Mais on s’est aperçu que les grandes vitesses de rotation de broche présentaient en elles même un intérêt et certains auteurs ont même tenté de distinguer l’usinage à grande vitesse de coupe de l’usinage à grande fréquence de rotation de la broche. La tendance actuelle est de réunir ces deux techniques sous la même appellation : UGV. Nous ne pouvons donner de limite précise aux vitesses concernées :
– les vitesses de coupe considérées comme grandes dans un matériau peuvent rester du domaine conventionnel pour un autre ; et pour un même matériau usiné les limites entre grande vitesse et vitesse conventionnelle dépendent encore de la technique concernée (tournage, fraisage…) ;
– quant à la notion de grande vitesse de rotation, elle est en étroite dépendance du couple délivré par la broche.
Qu’il s’agisse de grandes vitesses de coupe ou de rotation, nous pouvons adopter la définition suivante : l’UGV recouvre l’ensemble des technologies d’usinage dans les domaines des vitesses de coupe et des fréquences de rotation de broches élevées et supérieures aux vitesses considérées actuellement comme industriellement maîtrisées.
Dans l’état actuel de cette technique, il est difficile de séparer franchement les domaines d’usinage conventionnel et de grandes vitesses ; la figure 1.19 n’est donnée qu’à titre indicatif pour montrer la grandeur des vitesses de coupe utilisées en UGV pour différents matériaux usinés.
Modélisations analytique et statistique de l’usinage par outil coupant
Modélisation analytique de la coupe des métaux
Devant la complexité des phénomènes engendrés lors d’un usinage par outil coupant, de nombreux auteurs ont contribué à la modélisation analytique de la coupe des métaux. Ces études ont débuté vers 1896 avec les travaux de Zvorykin ; le chronogramme qui suit donne une idée sur les modélisations analytiques et numériques développées [Laheurte 2004].
En 1945, Merchant [Merchant 1945] a développé un modèle 2D purement mécanique basé sur l’équilibre des efforts de coupe appliqués pour une coupe orthogonale avec une arête de coupe supposée parfaite (sans arrondi) et dont sa face en dépouille n’est pas en contact avec le matériau usiné. La profondeur de passe étant choisie grande vis-à-vis de l’avance pour avoir une situation de déformations planes (2D). On se place aussi dans des conditions où le processus est stationnaire.Le modèle est basé sur l’hypothèse d’un changement brusque de la vitesse d’écoulement du matériau usiné qui engendre la formation du copeau par un simple cisaillement le long d’une ligne droite partant de la pointe de l’outil et inclinée d’un angle appelé angle de cisaillement par rapport à la direction de la vitesse de coupe. L’interface outil-copeau est le siège d’un frottement de Coulomb. Aussi, le modèle développé par Merchant s’appuie sur un comportement plastique parfait du matériau à usiner caractérisé donc par la seule donnée de la contrainte maximale de cisaillement admissible.En 1951, Lee et Shaffer [Lee 1951] ont développé un modèle purement mécanique en utilisant la méthode des lignes de glissement avec la même hypothèse que le matériau usiné est parfaitement plastique. À noter que la méthode des lignes de glissement est une méthode de résolution des problèmes de plasticité qui est bien adaptée au cas des déformations planes et de plasticité sans écrouissage. Elle consiste à construire, dans les régions où le critère de plasticité est atteint et tout en respectant les conditions aux limites en contraintes, un réseau de lignes orthogonales le long desquelles la contrainte de cisaillement est égale à sa valeur maximale admissible. L’interface outil-copeau est le siège d’un frottement de Tresca.Toujours en utilisant la méthode des lignes de glissement, Kudo (1965) et plus tard Dewhurst (1978) ont tenu compte dans leurs analyses de la courbure du copeau.Au début des années 80, l’équipe d’Oxley propose une modélisation thermomécanique du procédé de la coupe orthogonale. Il utilise un comportement thermo-viscoplastique pour le matériau usiné et considère à la fois les zones de cisaillement primaire et secondaire en supposant un contact collant et glissant à l’interface outil-copeau. Le comportement thermique est pris en compte à partir des travaux de Boothroyd (1963) et des résultats numériques des travaux de Tay et al. (1974).À la suite des travaux d’Oxley, un modèle de la bande primaire de cisaillement plus complexe de la coupe orthogonale a été proposé par Molinari et Dudzinski (1992), Dudzinski et Molinari (1997), puis Moufski et al. (1998).Il s’avère que face à la complexité du processus de la formation du copeau, des phénomènes prioritaires doivent être dégagés pour modéliser correctement la coupe. De plus, l’avènement de l’usinage à grande vitesse a relancé l’intérêt de développer des outils prédictifs adaptés aux conditions sévères d’usinage.
Nous allons maintenant évoquer les échelles d’observation et d’analyse du phénomène de la coupe. À noter que la recherche bibliographique met en exergue des échelles d’observation du phénomène de la coupe. Il s’agit d’un niveau de détails suivant lequel on se place pour observer la coupe. À chacune de ces échelles vont correspondre des méthodes de modélisation et des contextes expérimentaux différents.
Échelles d’observation et d’analyse du phénomène de la coupe
Observation à l’échelle microscopique
L’échelle microscopique intègre, lors de la formation du copeau, les aspects métallurgiques liés aux phénomènes de la coupe à l’échelle des grains des matériaux [Komanduri 1981], [Poulachon 2002]. À ce niveau, la modélisation se base sur l’analyse de l’état résiduel de la surface usinée (changements de phase, fissures) et de l’évolution de la structure de la matière (microstructures, dislocations, inclusions). Cette échelle intègre également la formation du copeau au niveau métallurgique à travers d’analyses microstructurales et mécaniques des différentes zones du copeau (texture, transformation de phase, adoucissement thermique).
Cette approche permet d’obtenir des indications métallurgiques sur le copeau (type de copeau : ondulé, segmenté, discontinu) et sur la pièce (état de la couche superficielle).
Observation à l’échelle mésoscopique
L’échelle mésoscopique se base sur les principaux phénomènes agissant sur les propriétés mécaniques des matériaux et sur le processus de la coupe [Merchant 1945], [Oxley 1988] [Molinari 1992], [Chérif 2003], [Laheurte 2004], [Laporte 2005], [Dargnat 2006]. Ce point de vue se focalise sur l’étude des grandeurs thermomécaniques (déformations, vitesses de déformation et contraintes) et tribologiques (coefficient de frottement et pression de contact).Ces grandeurs, bien que certaines sont difficilement mesurables, permettent via des modélisations analytiques d’accéder à des informations macroscopiques telles que les efforts et les températures de coupe.Cependant, les lois de comportement utilisées sont souvent inappropriées au cas de l’usinage du fait notamment des hautes températures, des grandes déformations et des grandes vitesses de déformations.
Observation à l’échelle macroscopique
L’échelle macroscopique prend en compte le système Pièce‐Outil‐Machine dans sa globalité [Altintas 2000], [Lazoglu 2000], [Larue 2003]. Cette échelle peut se décomposer en une approche locale et une plus globale. L’échelle macroscopique locale permet l’analyse du comportement dynamique du triplet Pièce‐Outil‐Machine au cours d’une opération d’usinage.Ainsi, les modélisations dynamiques (comportement des machines et aspect vibratoire) du processus d’usinage peuvent se révéler très utiles pour la détermination des conditions de coupe stables. Cette approche vibratoire assure la maîtrise de la trajectoire de l’outil mais ne peut pas être réalisée par les deux autres niveaux d’échelle.L’échelle macroscopique globale concerne la surveillance d’usinage afin d’adapter la commande de la machine ou de prédire les défaillances d’une partie ou de l’ensemble du système Pièce‐Outil‐Machine. Cette approche conduit au développement et à la mise au point de logiciels de simulation de la coupe prenant en compte le comportement réel de la machine.Compte tenu de ce qui a précédé, nous situons la présente étude dans le cadre de l’échelle mésoscopique où l’objectif visé concerne la modélisation et la simulation du comportement thermomécanique de l’usinage à grande vitesse ou du tournage dur.En matière de modélisation analytique thermomécanique en coupe orthogonale, le modèle d’Oxley est le plus référé. C’est ainsi que nous allons présenter, dans ce qui suit, ce modèle dans sa version originale et les améliorations qui peuvent l’accompagner. Aussi, nous pouvons dégager par la suite les inconvénients liés à la modélisation analytique d’un usinage par outil coupant.
Simulation et amélioration du modèle d’Oxley
Afin de mieux appréhender la modélisation analytique d’Oxley, nous avons utilisé des résultats expérimentaux discrets évoqués dans la référence [Özel 2006] pour déterminer les inconnues du modèle par une méthodologie d’identification inverse.À noter que les résultats expérimentaux, utilisés dans la référence [Özel 2006], sont pris de la référence [Oxley 1989] ; ils concernent la coupe orthogonale d’un acier à 0,38 % de carbone usiné sous les conditions reportées dans le tableau 2.1.Les données d’entrée sont : les paramètres de coupe (vitesse de coupe, avance et profondeur depasse), la mesure des efforts et de l’épaisseur du copeau, l’angle de coupe et la température initiale de la pièce. À partir de ces données d’entrée, nous allons déterminer les contraintes, les déformations, les vitesses de déformation et les températures moyennes dans les zones de cisaillement primaire et secondaire, et ce par une méthodologie d’identification inverse.
Réseaux de Neurones Artificiels et leurs applications
Structure des Réseaux de Neurones Artificiels
L’interconnexion des neurones artificiels forme un réseau qui diffère selon le type de connexions entre les neurones. Par définition, les RNA sont des processeurs élémentaires fortement connectés fonctionnant en parallèle. Chaque processeur élémentaire calcule une sortie unique sur la base des informations qu’il reçoive [Dreyfus 2002].Les RNA sont constitués d’un nombre fini de neurones qui sont arrangés sous forme de couches. Les neurones de deux couches adjacentes sont interconnectés par des poids. Si l’information dans le réseau se propage de la couche d’entrée à celle de sortie, on dit qu’il est de type feed-forward.Du point de vue de la modélisation mathématique, un RNA peut être considéré comme un modèle mathématique de traitement réparti, composé de plusieurs éléments de calcul non linéaires (neurones) opérant en parallèle et connectés entre eux par des poids et des biais.
On peut définir la structure d’un RNA par :
1. Les entrées : qui peuvent être booléennes, binaires (0, 1), bipolaires (-1, 1) ou réelles.
2. La fonction d’entrée totale qui définit le prétraitement effectué sur les entrées : elle peut être booléenne, linéaire, affine ou polynomiale de degré supérieur à deux.
3. La fonction d’activation : qui permet de définir l’état interne du neurone en fonction de son entrée totale.
4. La fonction de sortie : elle calcule la sortie d’un neurone en fonction de son état d’activation. En général, cette fonction est considérée comme la fonction identité. Elle peut être binaire (0,1), bipolaire (-1,1) ou réelle.
Apprentissage des Réseaux de Neurones Artificiels
L’apprentissage par définition est le fait d’intégrer une information à une structure qui sera stockée en mémoire et utilisée chaque fois que la situation l’exige. Le point déterminant du développement d’un réseau de neurones est son apprentissage. Il s’agit d’une procédure adaptative par laquelle les connexions des neurones sont ajustées face à une source d’informations [Hebb 1949], [Rumelhart 1986].Un ensemble de règles bien définies permettant de réaliser un tel processus d’adaptation des poids des connexions constitue ce qu’on appelle l’algorithme d’apprentissage du réseau.L’algorithme d’apprentissage des RNA permet de minimiser, par des méthodes d’optimisation, une fonction coût qui constitue une mesure de l’écart entre la réponse du RNA aux exemples des données (à l’expérience). Initialement, les poids et les biais sont initialisés . Une méthode d’optimisation modifie les poids et les biais au fur et à mesure des itérations pendant lesquelles on présente la totalité des exemples (couples expérimentaux de vecteurs d’entrée et de sortie) afin de minimiser l’écart entre les sorties calculées et les sorties expérimentales (ou observées).
Afin d’éviter les problèmes de sur-apprentissage, la base d’exemples est principalement divisée en deux parties : la base d’apprentissage et la base de test. En effet, si les poids et les biais sont optimisés sur tous les exemples, on obtient une précision très satisfaisante sur ces exemples mais on risque de ne pas pouvoir généraliser le modèle à de données nouvelles. À partir d’un certain nombre d’itérations, le réseau ne cherche plus l’allure générale de la relation entre les entrées et les sorties du système mais s’approche trop prés des points et apprend le bruit [Ammar 2007].
Domaines d’application des Réseaux de Neurones Artificiels
Le domaine d’application le plus courant des réseaux de neurones est la reconnaissance de formes. Ces formes peuvent être des caractères manuscrits (codes postaux, chèques, etc.), de la typographie (listings, journaux, etc.), des empreintes digitales, des visages, etc. Ils sont également employés en reconnaissance de la parole, traitement du signal (détection sismique, détection de pannes, etc.), aide à la décision (assurances, prêts bancaires, etc.).
Aussi, ils sont utilisés pour la modélisation des procédés industriels ; cette modélisation est réalisée avec trois objectifs :
Les résultats obtenus par le réseau de neurones élaboré sont analysés statistiquement en étudiant la régression linéaire entre les valeurs des sorties observées et prédites. Différents paramètres statistiques sont utilisables ; outre, le coefficient de détermination, des indicateurs tels que l’erreur moyenne résiduelle, l’écart-type résiduel, et le coefficient de détermination avec intervalle de confiance.
– la détection d’anomalies ;
– l’aide à la conception et/ou à la conduite de processus ;
– la prédiction de phénomènes.
Les applications industrielles utilisant ou pouvant utiliser des réseaux de neurones sont extrêmement nombreuses, et il serait vain de vouloir les décrire toutes. Le tableau qui suit présente une liste exhaustive d’applications de réseaux de neurones dans différents domaines [Baléo 2003].
|
Table des matières
Introduction générale
Chapitre 1 : Présentation de l’usinage par outil coupant
Introduction
1.1 Présentation de l’usinage par outil coupant
1.2 Processus de tournage
1.2.1 Paramètres de coupe en tournage
1.2.2 Paramètres géométriques et conditions d’utilisation de l’outil de coupe
1.2.3 Grandeurs associées à la coupe
1.2.3.1 Effort de coupe
1.2.3.2 Aspect thermique
1.2.3.3 Intégrité de surface
1.3 Formation du copeau
1.4 Usinage à Grande Vitesse
Chapitre 2 : Modélisations analytique et statistique de l’usinage par outil coupant
Introduction
2.1 Modélisation analytique de la coupe des métaux
2.2 Echelles d’observation et d’analyse du phénomène de la coupe
2.2.1 Observation à l’échelle microscopique
2.2.2 Observation à l’échelle mésoscopique
2.2.3 Observation à l’échelle macroscopique
2.3 Modélisation analytique thermomécanique d’Oxley
2.3.1 Analyse du cisaillement primaire
2.3.2 Analyse du cisaillement secondaire
2.3.3 Détermination des inconnues du modèle d’Oxley
2.3.4 Points forts et faibles du modèle d’Oxley
2.4 Simulation et amélioration du modèle d’Oxley
2.4.1 Zone de cisaillement primaire
2.4.2 Zone de cisaillement secondaire
2.5 Modélisation statistique de la coupe
2.5.1 Analyse descriptive et graphique des données
2.5.2 Régression Linéaire Multiple
2.5.3 Résultats de prédiction de l’effort de coupe par RLM
2.5.4 Résultats de prédiction des contraintes résiduelles par RLM
Chapitre 3 : Réseaux de Neurones Artificiels et leurs applications
Introduction
3.1 Bref historique sur les Réseaux de Neurones Artificiels
3.2 Modélisation d’un neurone artificiel
3.3 Structure des Réseaux de Neurones Artificiels
3.3.1 Réseau de neurones statique
3.3.2 Réseau de neurones dynamique
3.4 Apprentissage des Réseaux de Neurones Artificiels
3.4.1 Types d’apprentissage
3.4.2 Règles d’apprentissage
3.5 Conception d’un Réseau de Neurones Artificiels
3.6 Domaines d’application des Réseaux de Neurones Artificiels
Chapitre 4 : Développement de RNA pour la prédiction de l’effort de coupe et des contraintes résiduelles en tournage dur
Introduction
4.1 Développement d’un Réseau de Neurones Artificiels pour la prédiction de l’effort de coupe en tournage dur
4.1.1 Approche expérimentale
4.1.1.1 Procédé d’usinage
4.1.1.2 Matériau usiné
4.1.1.3 Choix de l’outil de coupe
4.1.1.4 Mesure des efforts de coupe et morphologie des copeaux
4.1.2 Conception du Réseau de Neurones Artificiels
4.1.2.1 Choix et préparation des données
4.1.2.2 Structure du RNA élaboré
4.1.3 Résultats de prédiction de l’effort de coupe par le RNA élaboré
4.2 Développement d’un Réseau de Neurones Artificiels pour la prédiction des contraintes résiduelles en tournage dur
4.2.1 Conception du Réseau de Neurones Artificiels
4.2.1.1 Préparation de la base de données
4.2.1.2 Choix du nombre de neurones cachés
4.2.2 Résultats de prédiction des contraintes résiduelles par RNA élaboré
4.3 Confrontation des résultats
4.3.1 Confrontation des résultats de prédiction des composantes de l’effort de coupe
4.3.2 Confrontation des résultats de prédiction des contraintes résiduelles
Conclusion générale
Télécharger le rapport complet
