Les procédés de mise en forme par enlèvement de matière, encore appelés usinage, sont les procédés de fabrication les plus utilisés pour la production des pièces mécaniques, notamment dans les secteurs industriels tels que l’aéronautique, l’automobile, le ferroviaire, etc. Bien que ces procédés soient largement utilisés dans l’industrie, la prédiction des grandeurs caractéristiques de l’usinage n’est pas toujours précise, et un mauvais choix des conditions de coupe peut être à l’origine de l’usure anormale de l’outil, voire de la dégradation de la qualité de la pièce usinée. La simulation fine des grandeurs de l’usinage, en vue de la détection des anomalies, est un bon exemple de cette problématique, car représentative du problème général d’optimisation de la coupe des métaux pour obtenir une précision de coupe et anticiper l’usure rapide des outils. Cette thèse est une contribution à la modélisation et à la simulation de la coupe des métaux, en vue d’une aide à la décision aux entreprises de fabrication de pièces mécaniques, basée sur l’extraction des connaissances à partir des données simulées. A partir d’un modèle prédictif de coupe orthogonale des métaux, les travaux menés ont permis d’étudier l’influence des propriétés du matériau, ainsi que l’effet de la déformation, du taux de déformation et de la température sur le processus de formation des copeaux, en fournissant des relations analytiques d’une part, entre les variables du processus d’usinage et les propriétés des matériaux, et d’autre part, entre la géométrie des outils et les conditions de coupe. Le modèle prédictif utilisé permet ainsi de déduire la température dans les zones de déformation, les efforts de coupe, la géométrie des copeaux, etc., sans avoir besoin de réaliser une expérience qui peut être coûteuse. Pour cela, des paramètres d’entrée tels que les propriétés du matériau, la géométrie de l’outil de coupe, les conditions de coupe ont été considérés. La performance de ce modèle a été étudiée en comparant ses prédictions avec les données d’usinage de l’acier 1045 et de l’acier au carbone, disponibles dans la littérature. En exploitant l’accélération de la résolution obtenue à partir de l’implémentation proposée (de ce modèle), une grande quantité de données simulant des conditions réelles de coupe a été générée, et a permis d’élaborer une démarche de surveillance de l’usinage, basée sur une méthode d’apprentissage profond non supervisée. La particularité du modèle d’apprentissage proposé, qui est un réseau de neurones de type auto-encodeur (c’est-à-dire un réseau tel que la couche d’entrée est identique à la couche de sortie), est l’intégration de couches internes ayant un nombre de nœuds plus élevé que la couche d’entrée et de sortie, permettant ainsi la prise en compte implicite de variables non mesurées dans l’expression des relations entre les paramètres du modèle : ce qui induit la gestion des incertitudes liées à la forte variabilité des conditions d’usinage caractérisant les ateliers du contexte visé, en simulant la présence de variables latentes telles que la température ambiante variable, le déficit de connaissance en réglage des machines à commande numérique, l’instabilité du réseau électrique (due à de fréquents délestages). La mise en œuvre avec les données simulées a permis de mettre en exergue la capacité de la démarche de détection proposée à identifier les combinaisons de valeurs des paramètres d’entrée (du modèle de coupe) susceptibles de provoquer une température interne anormalement élevée ; celle-ci a en effet été considérée dans la thèse comme indicateur de santé du système d’usinage, tandis que les efforts de coupe ont joué le rôle d’indicateur de précision. Les résultats obtenus montrent que la vitesse de coupe a une forte influence sur les grandeurs thermomécaniques, dans le contexte d’usinage considéré. |
Shaping processes by material removal, also known as machining, are the manufacturing processes most commonly used for the production of mechanical parts, particularly in industrial sectors such as aeronautics, automotive, railways, etc. Although these processes are widely used in industry, the prediction of the characteristic sizes of the machining process is not always accurate, and a poor choice of cutting conditions can lead to abnormal tool wear or even to a deterioration in the quality of the machined part. The fine simulation of machining parameters, aiming at detecting anomalies, is a good example of this problem, as it represents the general problem of optimizing metal cutting to obtain cutting accuracy and anticipate rapid tool wear. This thesis is a contribution to the modelling and simulation of metal cutting, with a view to assisting mechanical parts manufacturing companies in their decision-making, based on knowledge extraction from simulated data. Using a predictive model of orthogonal metal cutting, the work carried out made it possible to study the influence of material properties, as well as the effect of deformation, deformation rate and temperature on the chip formation process, by providing analytical relationships between variables in the machining process and material properties, on the one hand, and between tool geometry and cutting conditions, on the other hand. The predictive model considered thus makes it possible to deduce the temperature in the deformation zones, cutting forces, chip geometry, etc., without the need to perform an experiment that can be expensive. For this purpose, input parameters such as material properties, cutting tool geometry, cutting conditions were considered. The performance of this model was studied by comparing its predictions with the 1045 and carbon steel machining data that are available in the literature. By exploiting the acceleration of the resolution obtained from the proposed implementation (of this model), a large amount of data simulating real cutting conditions was generated, and made it possible to develop a machining monitoring approach, based on an unsupervised deep learning method. The particularity of the proposed learning model, which is an artificial neural network of type auto-encoder (i.e. a network such that the input layer is identical to the output layer), is the integration of internal layers having a higher number of nodes than the input and output layer, thus allowing the implicit consideration of unmeasured variables in the expression of the relationships between the model parameters: this leads to the management of uncertainties related to the high variability of machining conditions in the plants of the target context, by simulating the presence of latent variables such as ambient temperature, lack of knowledge in the adjustment of CNC machines, instability of the electrical network (due to frequent load shedding). The implementation with the simulated data highlighted the ability of the proposed detection approach to identify combinations of input parameter values (of the cutting model) that could cause an abnormally high internal temperature, which was considered in this thesis as an indicator of the health of the machining system, while the cutting forces acted as an indicator of accuracy. The results obtained show that the cutting speed has a strong influence on the thermomechanical quantities, in the machining context considered. |