Contribution à l'amélioration des performances des procédés d'usinage à l'aide d'une commande par modèle inversé

Keabou Meli, Hervé (2022). Contribution à l'amélioration des performances des procédés d'usinage à l'aide d'une commande par modèle inversé. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 69 p.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

RÉSUMÉ : L’objectif de ce projet de recherche consiste à développer une stratégie de commande adaptative optimale dans le but d’améliorer les performances des procédés d’usinage. Cette stratégie combine les capacités de modélisation et de prédiction des réseaux de neurones avec une structure de commande intégrant modèle direct et modèle inverse du procédé ainsi qu’une procédure d’optimisation multicritère pour synthétiser les paramètres optimaux nécessaires à l’amélioration des performances du procédé. L’ajustement des paramètres de commande est effectué sur la base d'un ensemble d’indices de performance combinant qualité, productivité et coût estimés en temps réel à partir d’informations sur les conditions du procédé provenant de capteurs implantés dans le procédé. La mise en œuvre de la stratégie proposée est testée en considérant cinq indices de performance : les déviations dimensionnelles, l’état de surface, le taux d’enlèvement de métal, le coût d’opération et le taux de production. Les modèles d’estimation de ces indices sont basés sur une approche prédictive combinant design d’expériences, caractérisation expérimentale, modélisation par réseaux de neurones et diverses méthodes statistiques d’analyse et d’aide à la décision. Les données expérimentales obtenues de façon structurée sous une large variété de paramètres et de conditions d'usinage ont permis d’analyser les relations de cause à effet entre les paramètres de coupe, les conditions dynamiques du procédé et les indices de performance. Cette analyse a permis d’identifier les combinaisons des variables les plus appropriées à considérer pour la modélisation prédictive. Plusieurs modèles intégrant les variables retenues ont été développés et testés. Une grande variété de critères a été utilisée pour évaluer la capacité de ces modèles et de sélectionner les meilleures options possibles. Les modèles à base de réseaux de neurones retenus ont montré des performances remarquables en termes de précision et de robustes et ce dans une large gamme de conditions de fonctionnement du procédé. Les modèles, direct et inverse sont ensuite combinés à une procédure d’optimisation paramétrée et intégrée dans une même structure afin de tester et de valider la stratégie de commande adaptative optimale proposée. Une série de simulations basée sur des cas typiques et atypiques d’usinage ont servi de base pour la validation de l’approche. Les résultats obtenus montrent que le système de commande optimal proposé a permis une amélioration globale des performances du procédé de plus de 55 % tout en respectant l’ensemble des exigences en termes de qualité, de productivité et de coût. -- Mot(s) clé(s) en français : Procédés d’usinage; Indices de performance; Réseaux de neurones; Commande adaptative; Modélisation prédictive; Modèle inverse; Optimisation multicritère. --
ABSTRACT : The objective of this research project is to develop an optimal adaptive control strategy in order to improve the performance of machining processes. This strategy combines modeling and prediction capabilities of neural networks, direct and inverse process models-based control system and multi-criteria optimization procedure to produce the optimal parameters needed for optimal process control. The adjustment of the control parameters is carried out on the basis of a set of performance indices combining quality, productivity and cost estimated in real time from information on the process conditions coming from sensors implanted in the process. The proposed strategy is implemented using five performance indices: dimensional deviations, surface roughness, metal removal rate, operating cost and production rate. The models for real time performance indices estimation are based on an integrated predictive approach combining design of experiments, experimental investigation, neural network modeling and various statistical analysis and decision-making tools. The experimental data produced under a wide variety of machining parameters and conditions are very useful to understand precisely what kind of relationship exists between cutting parameters, cutting process dynamic conditions and process performance indices. The analysis of these relationships made it possible to identify the most appropriate variables to consider in the predictive modeling. The selected variables are combined to develop and test several models. A wide variety of statistical criteria are used to assess the capability of these models and to select the best options. The selected neural networks-based models presented remarkable performance in terms of precision and robustness even with a wide range of operating process conditions. These resulting models and the optimization procedure are integrated into the same regulation system in order to evaluate the proposed optimal adaptive control strategy. Based on typical and atypical machining cases, various simulations are conducted for carrying out numerous validation tests. The results demonstrated the effectiveness of the proposed optimal control system producing a global process performance improvement with more than 55% while complying with the requirements in terms of quality, productivity and cost. -- Mot(s) clé(s) en anglais : Machining process; Performance indices; Artificial neural networks; Adaptive control; Predictive modeling; Inverse process model; Multi-objective optimisation.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	El Ouafi, Abderrazak
Mots-clés :	Usinage; Systèmes adaptatifs; Commande automatique; Réseaux neuronaux (Informatique); Modèles prédictifs; Modèle inverse; Optimisation.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Déposé par :	DIUQAR UQAR
Date de dépôt :	07 sept. 2023 13:00
Dernière modification :	07 sept. 2023 13:00
URI :	https://semaphore.uqar.ca/id/eprint/2377

Actions (administrateurs uniquement)

Éditer la notice