Conception optimisée d'un réseau de neurones pour la surveillance en ligne de l'usure des outils coupants

Abstract

L’implémentation des systèmes de surveillance en ligne pour le contrôle de l’usure des outils de coupe dans les processus de coupe est devenue une nécessité incontournable afin de compléter la chaîne d’automatisation des systèmes de production mécanique. Aussi, afin d’assurer cette tâche, plusieurs techniques fiables de contrôle, de supervision et de surveillance en ligne de l’usure d’outil de coupe ont été développées. Dans le but d’exploiter les données des signaux issus du processus de coupe, les industriels et chercheurs ont recours de plus en plus à l’application des réseaux de neurones. Cet outil mathématique puissant permet en effet de modéliser le processus d’usure en dépit du caractère fortement non-linéaire inhérent à la complexité du processus de coupe. Dans le contexte de ce présent travail, nous proposons une approche méthodologique pour l’optimisation d’une configuration d’un réseau de neurones, adaptée à la surveillance en ligne de l’usure des outils de coupe pour des opérations de tournage. A cet effet, un système à base d’un algorithme d’optimisation d’une architecture d’un réseau de neurones a été développé. Ce système composé de deux principaux modules, dont l’un permet une acquisition de données issues du processus de coupe et le second est dédié au traitement et à la prise de décision, maillon important du système de surveillance. Une application pratique a été implémentée sous Matlab et permet d’introduire les signaux des efforts de coupe issus d’un usinage d’une pièce en acier allié (E24) avec un insert d’outil de type P25 pour alimenter un réseau de neurones feed-forward de type perceptron multi-couches avec rétro-propagation de gradient d’erreur, en vue de leur traitement par le réseau optimisé. Afin de perfectionner notre réseau, l’influence de plusieurs paramètres du réseau a été étudiée. Les résultats des simulations obtenus mettent bien en évidence les performances techniques de la configuration du réseau de neurones proposé, avec notamment un taux de réussite de 92.83 %