Amélioration de la qualité de l'usinage en tournage par modélisation prédictive et compensation de profils

Djogap Feujo, Chrysler Jacobson (2023). Amélioration de la qualité de l'usinage en tournage par modélisation prédictive et compensation de profils. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 67 p.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

RÉSUMÉ : Les caractéristiques dimensionnelles et géométriques réelles produites lors de l'usinage de pièces mécaniques diffèrent des caractéristiques nominales programmées dans le code CNC de la machine-outil. Ces écarts sont dus à la présence de plusieurs perturbations provoquées par des phénomènes thermomécaniques se produisant lors de l'opération d’usinage. Par conséquent, la qualité de la pièce finie dépend de la précision avec laquelle les effets de ces perturbations sont évaluées, prédites et contrôlées. L’objectif de ce travail consiste à développer des modèles capables de prédire les erreurs avant l’usinage et de les utiliser dans une stratégie de compensation de profils pour corriger le code CNC initial et ainsi améliorer la qualité de l'usinage. L'approche proposée a été appliquée pour améliorer la précision dimensionnelle et l'état de surface lors d'opérations de tournage longitudinal utilisant trois types de montage de pièces. Les modèles nécessaires à l'évaluation de ces erreurs ont été basés sur une approche prédictive combinant le design d'expériences, la caractérisation expérimentale, la modélisation par réseaux de neurones et diverses méthodes statistiques d'analyse et d'aide à la décision. Les données expérimentales obtenues de manière structurée, dans 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 caractéristiques de qualité. Cette analyse a permis de sélectionner les variables les plus appropriées à prendre en compte dans les modèles de prédiction. De nombreuses versions de ces modèles ont été évaluées en utilisant une grande variété de critères pour caractériser leur capacité et sélectionner les meilleures options possibles. Les modèles prédictifs basés sur les réseaux de neurones ont été mis à l'épreuve dans une large gamme de conditions de fonctionnement du procédé, démontrant ainsi des performances remarquables, tant en termes de précision que de robustesse. Les modèles sélectionnés ont ensuite été combinés à une procédure de compensation d'erreurs basée sur des algorithmes de correction par balancement de profils et par compensation ponctuelle. Une série de simulations et de tests d'usinage, basée sur des cas typiques et atypiques, a été utilisée pour évaluer et valider l'approche proposée. Bien que les deux algorithmes de compensation aient conduit à une réduction moyenne de plus de 55% des erreurs entre les caractéristiques programmées et les caractéristiques réelles, la compensation ponctuelle s'est révélée plus efficace que la compensation par balancement de profil, permettant de réduire l'erreur de plus de 90%. -- Mot(s) clé(s) en français : Procédés d’usinage ; Caractéristiques de qualité ; Modélisation prédictive ; Compensation des erreurs ; Design d’expériences ; ANOVA, Réseaux de neurones. --
ABSTRACT : The actual quality characteristics of parts produced on CNC turning differ from the nominal quality characteristics commanded in the CNC program. These deviations are due to the presence of several disturbances caused by thermomechanical phenomena occurring during the machining operation. Therefore, the quality of the machined part depends on the accuracy with which the effects of these disturbances are evaluated, predicted and controlled. The objective of this work is to develop a modelling approach for predicting these errors before machining and to use them in a profile compensation strategy to correct the initial CNC code and thus improve the machined part accuracy. The proposed approach is applied to improve dimensional accuracy and surface finish in the case of longitudinal turning operations using three types of workpiece fixture. The necessary models for evaluating the errors are based on an extrapolative approach combining design of experiments, experimental characterization, neural networks modeling and various statistical tool for analysis and decision-making. The experimental data produced under a wide variety of machining parameters and conditions is used to analyse the relationships between cutting parameters, dynamic process conditions and quality characteristics. This investigation result to select the most appropriate variables to consider in the prediction models. Several versions of these models are evaluated using a wide variety of criteria to characterize their capability and select the best possible options. Tested in a wide range of process operating conditions, the predictive models based on neural networks revealed remarkable performances in terms of accuracy and robustness. The selected models are then combined to the proposed error profile compensation strategy according to two different correction methods: profile displacement and point compensation. A series of simulations and machining tests based on typical and atypical cases are used as base for the proposed approach evaluation and validation. Although both compensation algorithms led to average reductions of more than 55% in errors between programmed and actual quality characteristics, point compensation method showed better efficiency compared to profile displacement method that reduced the error with more than 90 %. -- Mot(s) clé(s) en anglais : Machining Processes; Quality Characteristics; predictive Modelling; Error compensation; Design of experiments; ANOVA, Neural networks.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	El Ouafi, Abderrazak
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de maître ès sciences appliquées (M.Sc.A.).
Mots-clés :	Modèles prédictifs; Qualité des produits - Usinage; Compensation de profils; Design d'expériences.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Déposé par :	DIUQAR UQAR
Date de dépôt :	18 avr. 2024 13:25
Dernière modification :	18 avr. 2024 13:25
URI :	https://semaphore.uqar.ca/id/eprint/2946

Actions (administrateurs uniquement)

Éditer la notice