Soutenance mémoire
La nature fortement transitoire du régime de fonctionnement des CNC est facilement mise en évidence ,L’usinage des pièces complexes nécessite en effet un changement d’outils, de vitesses d’avance, de vitesses de rotation, de directions et de profondeurs de coupe. Sous ces conditions variables, il devient évident que le suivi de la qualité d’usinage/détection des défauts exige l’intégration des paramètres de fonctionnement dans tout système de diagnostic en temps réel. L’étude de la littérature dans ce contexte permet de dégager deux grands axes de recherche :
• Suivi de la stabilité de l’usinage.
• Suivi de l’état de dégradation des broches.
Les capteurs
Le choix des paramètres mesurés (donc des capteurs) est la première étape dans le développement d’une application de diagnostic automatisé. Elle reste tributaire de l’intrusivité des capteurs, ainsi que du coût d’implantation:
• Force : les tables dynamométriques sont les plus couteuses et les plus intrusives, elles délivrent par contre des signaux fortement corrélés au phénomène physique considéré. La mesure de force est particulièrement utilisée pour le diagnostic de l’usure des outils (Y. M. Liu 1999, J. F. Dong 2006) et la prédiction de l’état de surface. Ce sont des équipements de laboratoire qui ne peuvent être employés en production industrielle. De plus, les tables du commerce résonnent à 2000 Hz et leur application est limitée aux faibles vitesses.
• Accélération : nettement moins intrusives que les tables dynamométriques, et beaucoup plus faciles à mettre en place (utilisation temporaire et non permanente), les accéléromètres sont principalement employés pour la prédiction des niveaux de vibration, de l’état de surface (D. Y. Jang 1996, S. S. Lee 2003, N. R. Abburi 2006) et dans l’étude de l’usure de l’outil (Dimla 2002).
• Acoustique : ayant les mêmes avantages que la mesure de vibration, principalement utilisée pour le diagnostic d’usure de l’outil (X. L. Li 1998, X. L. Li 1999).
• Courant : technique la moins intrusive et la plus facile à mettre en place. Son interprétation est plus difficile. Relativement éloignée du phénomène physique suivi, elle a été principalement utilisée pour la détection des dégradations des outils (J. M. Lee 1995, X. Li 2000, Li 2001).
• Vitesse instantanée : la mesure non intrusive de la vitesse angulaire de la broche via son codeur optique permet d’exploiter la variation de vitesse induite par le changement de l’effort de coupe en présence de dentures usées (F. Girardin 2010, M. Lamraoui et al. 2014). C’est une méthode encore d’avant-garde pas encore utilisée en industrie.
Traitement du signal
Une fois la sélection des paramètres effectuée, le traitement du signal consiste en une conversion analogique-digitale des signaux (incluant le conditionnement et l’échantillonnage), et en une préparation des paramètres d’entrée du système de diagnostic. Cette étape permet de générer des indicateurs scalaires et/ou vectoriels décrivant le signal mesuré. Dans la littérature, les indicateurs temporels les plus couramment utilisés sont la valeur efficace (RMS), la valeur moyenne (pour la mesure de force), la valeur crête, le facteur de crête et le Kurtosis , en plus de la cyclostationnarité (M. Lamraoui 2014) qui, travaillant dand le domaine angulaire plutôt que temporel, offre une opportunité unique de corréler les efforts de coupe au passage de chacune des dents ouvrant la voie pour une détection précoce de l’usure des outils et de la détérioration des surfaces usinées. Les paramètres fréquentiels les plus courants sont la densité spectrale de puissance (PSD), le FFT, l’analyse d’enveloppe, l’amplitude de pics à des fréquences spécifiques (F0,Fp…), ainsi qu’aux fréquences de modulation et le rapport d’amplitude de certaines harmoniques.
Sélection des indicateurs
Comme le survole la section précédente, l’abondance des paramètres, issus de différents capteurs, impose un choix optimal des indicateurs à adopter pour une application bien déterminée. Deux méthodes sont alors disponibles :
• Classification : permet de classer les paramètres en leur attribuant une pondération en fonction de leur corrélation avec la variable d’intérêt (A. Al-Habaibeh 2000, E. Kirby 2004).
• Sélection de sous-ensembles « Subset Selection » : consiste à employer un algorithme récursif (forward ou backward) afin de trouver la combinaison optimale de paramètres, le discriminant étant l’erreur de prédiction.
Diagnostic intelligent
Au niveau de l’implantation du système automatisé, les techniques les plus courantes dans la littérature pour diagnostiquer un défaut sont les réseaux de neurones (ANN) (K. A. Risbood 2003, A. Kohli 2005, N. Ghosh 2007), les systèmes de logique floue (N. R. Abburi 2006), les systèmes hybrides (neuro-fuzzy) (F. Dweiri 2003), (Lo 2003), les modèles de Markov (L. T. Wang 2002, A. G. Vallejo 2005) et les ‘Support Vector Machines’ (SVM) (S. Cho 2005).
• ANN : très adapté pour les applications où une grande précision de prédiction est requise. La méthode offre une grande capacité de généralisation et requiert un nombre relativement élevé de données (réparties entre apprentissage, test et validation). L’importance de la prédiction l’emporte sur la compréhension des mécanismes de diagnostic. L’apprentissage de l’effet de défauts mécaniques reste le plus grand problème pour être adopté par l’industrie en mode de production.
• Logique floue : elle est adoptée lorsque la compréhension des mécanismes de prédiction est plus importante que la précision globale du système. Elle nécessite relativement peu de données et est très utile pour la sélection optimale des paramètres de coupe.
• Hybryde « Neuro-Fuzzy »: utilisé pour les applications nécessitant une bonne précision ainsi que de bonnes capacités de généralisation, avec relativement peu de données.
• Réseaux Bayésien : application requérant une très grande compréhension des mécanismes de prédiction au dépend de la précision. La méthode requière un ensemble de données assez large.
• SVM : méthode classification très répandue, s’acquittant très efficacement de la reconnaissance et de la séparation d’états (défectueux/sain), cette technique demande cependant un temps de traitement relativement long, limitant son déploiement dans des applications en temps réel.
• Modèle de Markov : méthode de classification et de modélisation stochastique utilisant l’aspect statistique des données, efficace même en négligeant la connaissance de la nature du problème à résoudre. Principalement utilisée pour les applications des analyses de tendances et du suivi de l’état de dégradation des machines, ou l’accumulation de données augmente la population statistique et les performances du modèle.
|
Table des matières
INTRODUCTION
CHAPITRE 1 REVUE DE LA LITTÉRATURE, OBJECTIFS ET ORIGINALITÉS
DES TRAVAUX PROPOSÉS
1.1 Introduction
1.2 Étude du broutement
1.3 Modélisation de broches
1.4 Systèmes automatisés de suivi et de détection de défauts des CNC
1.4.1 Suivi de l’usinage
1.4.2 Suivi de l’état de dégradation des broches
1.5 Objectifs et originalité des travaux présentés
CHAPITRE 2 ANALYSE EXPÉRIMENTALE
2.1 Introduction
2.2 Analyse vibratoire des broches
2.2.1 Indicateurs temporels
2.2.2 Analyse spectrale
2.2.3 Influence de la vitesse de rotation
2.3 Mesures en coupe
2.4 Mesures avec communication au contrôleur de la CNC
2.5 Conclusion partielle
CHAPITRE 3 THE ENVELOP SHOCK DETECTOR: A NEW METHOD FOR
PROCESSING IMPULSIVE SIGNALS
3.1 Résumé
3.2 Abstract
3.3 Introduction
3.4 The Envelop Shock Detector (ESD)
3.5 Practical applications of the ESD
3.6 ESD in the frequency domain
3.7 Detection of slipping by ESD
3.7.1 A new method for detecting slipping
3.7.2 Experimental Signal Analysis
3.8 Applying ESD to identify multiple bearing defect severity within a neural network
3.9 Conclusion
3.10 Acknowledgements
3.11 References
CHAPITRE 4 ÉTUDE DU COMPORTEMENT DES ROULEMENTS DANS LES
ROTORS TOURNANT À HAUTES VITESSES
4.1 Résumé
4.2 Introduction
4.3 Modélisation
4.3.1 Modèle initial du roulement
4.4 Modèle de rotor flexible monté sur roulements:
4.4.1 Rotor
4.4.2 Palier
4.4.3 Effet gyroscopique
4.5 Résultats
4.5.1 Influence de l’effet gyroscopique
4.5.2 Comportement des roulements tournant à haute vitesse avec défauts
4.6 Conclusion
4.7 Remerciements
4.8 Bibliographie
CHAPITRE 5 A SPINDLE-BEARINGS SIMULATOR IN HIGH SPEED
MACHINING
5.1 Résumé
5.2 Abstract
5.3 Introduction
5.4 Modeling
5.4.1 Bearings (3dof)
5.4.2 Spindle and Bearing Model (twenty d.o.f)
5.4.3 Two-dimensional Bearing Model
5.4.4 Spindle Model
5.4.5 Static Condensation
5.4.6 General spindle-bearing model
5.4.7 Mass, Stiffness and Damping Matrices
5.5 Numerical Simulation Results
5.5.1 Vibration responses with defective bearings
5.5.2 Natural frequencies drift
5.5.3 Effect of gyroscopic effect on stability lobes
5.6 Experimental Results
5.7 Conclusion
5.8 Acknowledgements
5.9 References
CHAPITRE 6 SYNTHÈSE
6.1 Modélisation
6.2 Surveillance
6.2.1 Étude du comportement à vide
6.2.2 Étude du comportement en coupe
CONCLUSION
Télécharger le rapport complet
