Systèmes de surveillance automatique en usinage : Moyens et méthodes

Systèmes de surveillance automatique en usinage : Moyens et méthodes A. BESKRI a, H. MEJRI a, K. MEHDI a, J.F. RIGAL b a Unité de Recherche de Mécaniques des Solides, des Structures et de Développement Technologique (URMSSDT), Ecole Supérieure des Sciences et Techniques de Tunis (ESSTT), 5 avenue Taha Hussein, B.P. 56 Bab Mnara 1008 Tunis (Tunisie) b Laboratoire LaMCoS-MSE, Institut National des Sciences Appliquées de Lyon, Bâtiment Joseph Jacquard, 27 avenue Jean Capelle, 69621 Villeurbanne Cedex (France) Résumé Les exigences industrielles et économiques actuelles conduisent les entreprises manufacturières à surveiller, d une manière fiable et précise, les conditions de réalisation et/ou de fabrication des produits et essentiellement celles liées à l obtention des pièces par enlèvement de matière. Des systèmes de surveillance automatique d usinage se révèlent indispensables au bon fonctionnement et à la sécurité du processus de fabrication. Ces derniers favorisent une meilleure qualité des pièces et une productivité optimale. Ce processus de surveillance (de monitoring) s appuie sur le traitement d un signal acquis en temps réel lors de la fabrication. Ce signal est basé sur des critères scientifiques qui garantissent une efficacité maximale des informations enregistrées. Dans ce contexte, la présente contribution se propose de présenter une revue des différents résultats issus des travaux expérimentaux portant sur ces systèmes de monitoring. Notre intérêt portera sur l étude des diagnostics des systèmes industriels et sur les objectifs scientifiques et industriels traitant le système de surveillance afin de détecter précocement toute déviation de comportement de la machine ou de l outil. Nous présenterons une description des moyens et des méthodes employés dans la surveillance automatique de la production par usinage des métaux. Plus spécifiquement, nous aborderons les différentes approches de diagnostic à la base des modèles développés par la communauté scientifique. Mots-clés : monitoring, surveillance automatique, usure d outil, diagnostic, prévention. 1 Introduction Le procédé d usinage par enlèvement de matière demeure le moyen le plus répandu pour l'obtention des formes requises d'une pièce donnée. Cependant, malgré toutes les avancées technologiques et tout le soin pouvant être apporté à la préparation de l opération d usinage, des incidents peuvent toujours survenir lors de l usinage (bris de plaquette, usure prématurée, vibrations,...) sans que la machine soit capable de déterminer si l enlèvement de matière s est correctement déroulé. C est pourquoi il est nécessaire de surveiller le bon déroulement de l usinage. Traditionnellement et depuis plusieurs années, la surveillance d usinage est destinée à un opérateur. Son rôle est de s assurer du bon déroulement du processus et de réagir en cas de problème en mettant fin à l usinage en cours ou en ajustant quelques paramètres opératoires. Cependant, la surveillance de l usinage effectuée par l opérateur, depuis l extérieur de la machine, pourrait fortement être gênée par la lubrification, les copeaux, les vitesses d avance élevées et le bruit des autres machines de l atelier. De plus, si l opérateur parvient à détecter l incident, son temps de réaction n est pas assez rapide vis à vis des vitesses élevées utilisées sur les machines UGV. Cela peut conduire à des catastrophes très coûteuses. Ainsi, devant ces exigences industrielles et économiques, des systèmes de surveillance automatique d usinage se révèlent indispensables au bon fonctionnement et à la sécurité du processus de fabrication. Ces derniers favorisent une meilleure qualité des pièces et une productivité optimale. Ce processus de surveillance (de monitoring) s appuie sur le traitement d un signal acquis en temps réel lors de la fabrication. Ce signal est basé sur des critères scientifiques qui garantissent une efficacité maximale des informations enregistrées. Dans ce contexte, la présente contribution se propose de présenter une revue des différents résultats issus des travaux expérimentaux portant sur ces systèmes de monitoring. Notre intérêt portera sur l étude des diagnostics des systèmes industriels et sur les objectifs scientifiques et industriels 1

traitant le système de surveillance afin de détecter précocement toute déviation de comportement de la machine ou de l outil. Nous présenterons une description des moyens et des méthodes employés dans la surveillance automatique de la production par usinage des métaux. Plus spécifiquement, nous aborderons les différentes approches de diagnostic à la base des modèles développés par la communauté scientifique. 2 Systèmes de surveillance en usinage Le but de la surveillance est de prévoir tous les phénomènes pouvant intervenir lors de la production, avant la mise en production de la pièce, en temps réelle et d une manière automatique. Ainsi, l intérêt des systèmes de surveillance en usinage peut se résumer aux points suivants : Une protection maximale de la machine et une amélioration de la sûreté, Une protection des pièces à forte valeur ajoutée, Une réaction rapide avant l apparition des dégâts importants, Une meilleure qualité des pièces avec une meilleure gestion des outils de coupe, Une productivité optimale (une augmentation de la productivité, un moins de temps non-productif), Un moins de rebut et de retouche. Actuellement, on parle de la surveillance intelligente des machines pendant une opération d usinage (figure 1). Cette méthode de surveillance est basée sur l'état de la machine et permet, à la suite d une déviation inacceptable, une intervention directe sur la machine ou sur le processus de coupe uniquement. Une telle surveillance est possible avec l'application de la technologie moderne des capteurs. En outre l'intégration de techniques de mesure dans les automates est très importante. A l'aide de la surveillance intelligente on peut arrêter une machine ou adapter les paramètres de réglage à temps: ni trop tôt, ni trop tard. Elle s'applique surtout quand il s agit d une situation dangereuse (sûreté), ou quand la machine n assure pas correctement ses fonctions (fiabilité), ou quand l'environnement ne peut pas garantir l'opération (disponibilité) ou quand la qualité n'est pas conforme aux spécifications désirées par le fabriquant. Surveillance Instructions pour: Reconnaissance Symptômes Deviations Phase de distinctions Capteur Machine Diagnose Instructions pour Classification Détermination Phase d attribution Réaction Off-line Intervention manuelle Cause, endroit, type Réaction Instructions pour: Traitement Erreurs Phase de solution Réaction On line FIG. 1 Surveillance intelligente des machines pendant une opération d usinage 2

La figure 2 [23] schématise le processus de monitoring de l usure des outils de coupe au cours d une phase d usinage. La détection des évènements pouvant intervenir au cours de l usinage se fait généralement par l ajout de capteurs sur la machine. Les signaux de ces capteurs sont ensuite traités de manière à détecter tout comportement inhabituel. Il est important d intégrer des capteurs d une façon optimale pour la surveillance d une grande série d appareils ou de machines [1]. Le bon choix d un dispositif de mesure et de traitement des données est indispensable pour un système de surveillance des outils de coupe. Ce traitement est en fonction du type de capteur choisi et de la qualité des signaux prélevés. L objectif de l analyse des signaux est de pouvoir identifier l influence de l usure d un outil coupant sur les vibrations produites lors d un processus d usinage, puis extraire de ces signaux les paramètres les plus influents et qui traduisent l état de l usinage. La détermination de ces paramètres sera validée par une approche expérimentale fondée sur le contrôle direct de l état de l outil de coupe. Moreau [19] a proposé de surveiller les contraintes agissantes sur le tranchant de l outil pendant le processus d'usinage afin de prédire la rupture brutale. Processus du Monitoring Détections Actions Détection automatique des collisions et ruptures accidentelles d outils Détection automatique de la limite d usure des outils Bris et Réflexe Intelligente Géométrie de l outil Processus de coupe Usure Géométrie de l outil Température de coupe Frottement Dépouille (Vb) Cratère (Kb) FIG. 2 Le processus de monitoring [23] 2.1 Surveillance, diagnostic et pronostic en temps réel des systèmes Dans un système de surveillance automatique, le diagnostic d une défaillance dans une chaîne manufacturière est une fonction essentielle qui consiste à localiser et éventuellement à identifier les défaillances et/ou les défauts qui affectent la chaîne. Le diagnostic (figure 3) dit à base de modèles (modelbased) repose sur une modélisation comportementale et structurelle du système à diagnostiquer. Son principe consiste à faire une comparaison entre le comportement prédit issu d un modèle de représentation (de bon fonctionnement) et le comportement réellement observé. Cette comparaison permet de détecter les incohérences afin de déduire les causes de dysfonctionnement (défauts). Le maintien d un bon fonctionnement de l ensemble passe donc par la mise en place des outils de détection des défaillances éventuelles et des systèmes de commande robustes. Ainsi, le choix du type d'un capteur (systèmes de mesure) est déterminant. Pour choisir correctement un capteur, il faudra définir tout d'abord le type de l événement à détecter, sa nature, sa grandeur physique et son environnement. Les capteurs mentionnés dans le tableau 1 présentent deux parties distinctes : une partie qui a pour rôle de détecter un événement et une deuxième partie qui a pour rôle de traduire l événement en un signal compréhensible. En fonction de la nature d événement on pourra effectuer un ou plusieurs choix pour un type de détection. D'autres paramètres peuvent être considérés lors du choix d un capteur tels que: ses performances, son encombrement, sa fiabilité, la nature du signal délivré par le capteur et son prix. La figure 4 montre les capteurs intégrés les plus utilisés dans le domaine de la recherche scientifique. D après cette figure, nous pouvons remarquer que les dynamomètres sont les plus utilisés en raison de leur grande fiabilité, d une part et leur facilité d intégration dans la machine d usinage d autre part. 3

Entité physique Quelle est le capteur qui sera utilisé?? Capteurs : Dynamomètre, Accéléromètre Emission Acoustique-Capteur de courant,autres Comment acquérir le signal? Signal, Amplification Conditionnement analogique filtrage numérique segmentation Quel est le facteur qui peut décrire le signal? Fonctionnalité de génération Domaine temporelles : RMS, moyenne,... Domaine Fréquentiel : Simple harmonique, PDS, wavelet domaine: Ondelettes,... Quelles sont les caractéristiques les plus significatives? Quel concept d expériences est nécessaires pour modéliser les processus? Quelle technique (Diagnostic / prédiction / Pronostics) doit être appliquée pour modéliser le processus? FIG. 3 Démarche du diagnostic Capteur Application Capteur Application Capteur de courant / puissance, AE [17] Capteur de courant / puissance, Accéléromètre [3] Accéléromètre, AE [9] Accéléromètre, système de vision (vision system) Dynamomètre, AE [13], [14] Prédiction de la rugosité de surface La détection de bris d'outil Dynamomètre, AE, Accéléromètre [7] Dynamomètre, Accéléromètre [2], Dynamomètre, capteur thermique [3] Dynamomètre, Accéléromètre, Capteur de courant / puissance, Capteur de tension, Sound de pression, [20] Tableau 1 - Capteur typiques pour des systèmes de surveillance d usinage Prédiction de la rugosité de surface Prédiction de la rugosité de surface Partie dimensionnelle de prédiction de précision Partie dimensionnelle de précision de prédiction FIG. 4 Fréquence d'utilisation de capteurs liés à la surveillance d'usinage des systèmes [3] 4

2.2 Approches possibles de la surveillance d une opération d usinage La figure 5 montre deux classes d approches possibles pour la surveillance d une opération d usinage : approches spécifiques à une pièce et approches génériques. Ces dernières regroupent une première approche basée sur les techniques de l intelligence artificielle (logique floue, réseau neurone, etc.), une deuxième approche qui exploite les outils de traitement du signal (domaine temporel, fréquentiel et les transformées en ondelettes) et une troisième approche basée sur l analyse des caractéristiques du processus d usinage. Dans le tableau 2 nous indiquons les méthodes utilisées dans la littérature (temporelle, fréquentielle, transformée des ondelettes) pour le traitement du signal enregistré lors d une opération de surveillance en usinage. Les différentes approches possibles de la surveillance d usinage Approches spécifiques à une pièce Approches génériques Apprentissage Méthodes prédictives Intelligence Artificielle Traitement du signal Analyse basée sur les caractéristiques du processus d usinage Domaine temporel Domaine fréquentiel Transformées en ondelettes (Wavelet Transform) FIG. 5 Les différentes approches possibles de la surveillance d usinage Signal Efforts de coupe Vibrations Puissance de courant Emission acoustique Réf. [4] [5] [6] [10] [12] [7] [14] [7] [12] [10] [14] [13] [12] [11] [17] [9] [11] [18] [10] Méthode temporelle (Time domain) Mean Rms Peak Std Skew Kurt. Var. AR TDA Tableau 2 - Choix des paramètres de simulation Méthode fréquentielle (Frequency domain) H ratios Single H Méthode des ondelettes PSD RMS Peak 3 Conclusion Dans cet article, nous avons présenté en revue une description des moyens et des méthodes employés dans la surveillance automatique de la production par usinage des métaux. Plus spécifiquement, nous avons abordé les différentes approches de diagnostic à la base des modèles développés par la communauté scientifique en 5

présentant une description des moyens et des méthodes employés dans la surveillance automatique de la production par usinage des métaux. Références [1] J.V. Abellan-Nebot,F. R. Subirón, A review of machining monitoring systems based on artificial intelligence process models ; Int J Adv Manuf Technol (2010) 47:237 257 [2] M. Chérif, "Modélisation générique des efforts de coupe en fraisage pour la CFAO et la surveillance de l usinage", Thèse de doctorat, Ecole Centrale de Nantes, France, 2003. [3] R Azouzi, M. Guillot On-line prediction of surface finish and dimensional deviation in turning using neural network based sensor fusion Int J Mach Tools Manuf (1997) 37:1201 1217 [4] R.E. Haber, J.E. Jimenez, C.R. Peres, J.R. Alique An investigation of tool-wear monitoring in a highspeed machining process Sens Actuators A-Phys (2004) 116:539 545 [5] J.F. Dong, K.V.R. Subrahmanyam, Y.S. Wong, G.S. Hong, A.R. Mohanty Bayesian-inference-based neural networks for tool wear estimation Int J Adv Manuf Technol (2006) 30:797 807 [6] S.L. Chen, Y.W. Jen Data fusion neural network for tool condition monitoring in CNC milling machining Int J Mach Tools Manuf (2000) 40:381 400 [7] Y.H. Tsai, J.C. Chen, S.J. Lou An in-process surface recognition system based on neural networks in end milling cutting operations Int J Mach Tools Manuf (1999)39:583 605 D.E. Dimla The correlation of vibration signal features to cutting tool wear in a metal turning operation Int J Adv Manuf Technol (2002) 19:705 713 [9] K. Jemielniak Some aspects of AE application in tool condition monitoring Ultrasonics (2000) 38:604 608 [10] X.L. Li, S. Dong, Z.J. Yuan Discrete wavelet transform for tool breakage monitoring Int J Mach Tools Manuf (1999) 39:1935 1944 [11] H.V. Ravindra, Y.G. Srinivasa, R. Krishnamurthy Acoustic emission for tool condition monitoring in metal cutting Wear (1997) 212:78 84 [12] N. Ghosh, Y.B. Ravi, A. Patra, S. Mukhopadhyay, S. Paul, A.R. Mohanty, A.B. Chattopadhyay Estimation of tool wear during CNC milling using neural network-based sensor fusion. Mech Syst Signal Process (2007) 21:466 479 [13] J.M. Lee, D.K. Choi, J. Kim, C.N. Chu Real-time tool breakage monitoring for NC milling process Annals of CIRP Manuf Technol (1995) 44:59 62 [14] X.L. Li Detection of tool flute breakage in end milling using feed-motor current signatures IEEE- ASME Trans Mechatron (2001) 6:491 498 A. Al-Habaibeh, N. Gindy A new approach for systematic design of condition monitoring systems for milling processes J. Mater Process Technol (2000) 107:243 251 R.J. Kuo, P.H. Cohen Multi-sensor integration for online tool wear estimation through radial basis function networks and fuzzy neural network Neural Netw (1999) 12:355 370 [17] T. Moriwaki, M. Tobito A new approach to automatic detection of life of coated tool based on acoustic-emission measurement. J Eng Ind-Trans ASME (1990) 112:212 218 [18] X.L. Li, Y.X. Yao, Z.J. Yuan On-line tool condition monitoring system with wavelet fuzzy neural network. J Intell Manuf (1997) 8:271 276 [19] V. Moreau «Etude dynamique de l usinage et de l interaction Pièce-outil par mesure des déplacements : Application au fraisage et au tournage» Thèse, Paristech, ENSAM 2010 p.168 [20] M. Ritou, S. Laporte, G. Peigne, B. Furet, S. Garnier et J. Hascoet. «Instrumentation de la broche par des capteurs inductifs : application à la mesure d'effort et à l'étude du comportement des broches UGV» 10ème Colloque National AIP PRIMECA. 2007. France. [21] M. Ritou. «Surveillance de l'usinage en fraisage de pièces complexes par un suivi de la broche» Doctorat délivré conjointement par l'ecole Centrale de Nantes et l'université de Nantes (2006). [22] A. Boufaied, M. Combacau, «Etude d une fonction de surveillance : le pronostic», 4ème Congrès International de Génie Industriel (GI'2001), Aix-en-Provence (France), 12-15 Juin 2001, Vol.1, [23] M. Ritou, S. Garnier, B. Furet et J. Hascoet. A new versatile in-process monitoring system for milling. International Journal of Machine Tools and Manufacture. 2006b, Vol. 46/15, pp: 2026-2035. 6