Augmentation de la durée de vie des outils de coupe grâce à l’IA transférable, réduisant les coûts de processus

Augmentation de la durée de vie des outils de coupe grâce à l'IA transférable, réduisant les coûts de processus

Daniel Müller (à gauche), Maximilian Berndt et Peter Simon (à droite) travaillent dans leur projet de recherche sur la détermination expérimentale de données pour l’application de l’apprentissage par transfert dans les processus d’usinage. Crédit : vue/Reiner Voss / TUK

Deux facteurs influencent les coûts de production d’une pièce usinée : le volume de matière enlevé au fil du temps et l’usure de l’outil. Afin de prédire de manière fiable l’état d’usure et ainsi d’optimiser les processus de coupe, des chercheurs de la Technische Universität Kaiserslautern (TUK) développent un processus soutenu par l’intelligence artificielle (IA). Ils présenteront leur concept à la Hannover Messe du 30 mai au 3 juin sur le stand de recherche de Rhénanie-Palatinat (Hall 2, Stand B40). Le système sera formé à l’aide de données de processus et de mesures réelles. L’objectif est d’adapter le système à différentes conditions de processus au moyen d’un apprentissage par transfert.

Les outils utilisés pour les processus d’usinage dans la fabrication, tels que le perçage ou le fraisage, s’usent au cours de leur période d’utilisation. Les entreprises les remplacent généralement prématurément après un nombre d’opérations basé sur l’expérience afin d’éviter des pertes de qualité ou même des temps d’arrêt coûteux dus à des bris d’outils. Mais le remplacement des outils est également coûteux en temps et en argent, il est donc finalement intéressant d’optimiser les cycles de remplacement.

“Afin de pouvoir prédire l’état d’usure des outils de coupe, nous prenons d’abord en compte les paramètres liés au processus”, explique Daniel Müller, chercheur associé à l’Institut des technologies de fabrication et des systèmes de production de TUK. Ceux-ci incluent les forces de processus agissant pendant la coupe, les vibrations et les besoins en puissance des axes de la machine. “De même, nous recueillons des données à partir de mesures continues effectuées sur l’outil et la pièce”, explique l’ingénieur. “Le plus grand défi est alors de déterminer les corrélations dans les données collectées.”

À cette fin, les chercheurs forment un système soutenu par l’IA qui utilise des méthodes d’apprentissage automatique pour reconnaître les modèles possibles et tirer des conclusions sur l’état d’usure. De plus, le système est censé être capable de prédire avec quels paramètres de processus les entreprises doivent travailler dans certains processus d’usinage afin de maintenir l’outil en service de manière sûre et fiable pendant une durée de vie cible. “Les données que le système doit apprendre sont collectées auprès de cinq entreprises partenaires, y compris des acteurs mondiaux ainsi que des petites et moyennes entreprises”, explique Daniel Müller. “Ce faisant, nous testons un large éventail de variantes, telles que les types d’outils et de matériaux ou les paramètres de processus, et collectons ainsi une large base de données sur toute la durée de vie de l’outil jusqu’à la défaillance de l’outil.”

Ces résultats sont utilisés pour développer un modèle de base adaptable qui est adaptable. “Nous utilisons le concept d’apprentissage par transfert”, rapporte Peter Simon, qui travaille sur le projet avec Daniel Müller. “Cette approche doit permettre d’adapter le modèle de base aux processus d’usinage spécifiques au client avec le moins d’efforts supplémentaires possible. Nous allons en outre exploiter les résultats du projet de recherche dans le cadre de cette utilisation sous la forme de modèles commerciaux innovants. ”



Fourni par l’Université technique de Kaiserslautern

Citation: Augmentation de la durée de vie des outils de coupe grâce à l’IA transférable, réduction des coûts de processus (13 mai 2022) récupéré le 13 mai 2022 sur https://techxplore.com/news/2022-05-life-tools-ai.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.