Soutenance de thèse d'Hassan CHOUHAD

Résumé

Dans l’industrie de fabrication traditionnelle, la métrologie est un élément essentiel de sanction de la qualité en bout de la chaîne de production. L’innovant dans le concept de la fabrication intelligente conduit à un repositionnement de la métrologie qui devient proactive au cœur même de la production pour fabriquer dès le départ une première pièce conforme. L’objet de cette thèse est donc de proposer une approche méthodologique pour le développement d'un système proactif, augmenté par des modèles d’intelligence artificielle IA, de contrôle en usinage de la conformité d’un produit à un cahier des charges et de caractériser ses défauts.  Pour cela, une première étude sur l’aspect de surface a été réalisée en recueillant des images à haute résolution de fils de cuivre revêtus et découpés pouvant présenter des défauts. Les images, prises par un système de vision par ordinateur basé sur l'imagerie confocale chromatique, ont été utilisées pour générer différents modèles d'intelligence artificielle. Ce traitement consiste à faire de la segmentation et de la classification des défauts observés. En comparant la précision et le temps de traitement des modèles d'IA, l'apprentissage par transfert utilisant le modèle de mobile-net a montré de meilleures performances. Afin d'élargir l'étude de l'évaluation de la qualité de surface, des mesures de profil de surface sur machine-outil ont été effectuées à l'aide de capteurs confocaux chromatiques sans contact. Deux approches ont été réalisées : i) le fraisage de l'aluminium sans signature d’usure d’outil de coupe et ii) le fraisage du titane en tenant compte de la signature de l'usure de l'outil de coupe. Dans les deux configurations de coupe, les paramètres d’usinage, les profils de rugosité de surface et les efforts d’enlèvement de matière ont été enregistrés pour construire une base de données pour l'entraînement des modèles de prédiction par apprentissage automatique. Les résultats ont montré que le modèle XGboost a présenté la meilleure performance de prédiction et ce pour les deux scénarios. En considérant le temps de coupe dans le fraisage du titane, le modèle de prévision de séries temporelles ARIMA a été appliqué pour suivre l'évolution de la rugosité en fonction de l'usure de l'outil. L’analyse moyenne mobile autorégressive intégrée a permis de suivre l’évolution de la rugosité en fonction de la signature d’usure.

Mots clés

usinage intelligent, contrôle qualité proactif, intelligence artificielle, confocal chromatique, métrologie sur machine.

Liste de jury

• M. Hassan ZAHOUANI, Professeur des universités, LTDS, Ecole centrale Lyon (rapporteur)
• M. Roberto MARTINS DE SOUZA, Professeur des universités, LFS, Escola Politécnica USP Brésil (rapporteur)
• M. Mohamed EL MANSORI, Professeur des universités, MSMP, Arts et Métiers (examinateur)
• M. Ricardo KNOBLAUCH, Enseignant-chercheur, MSMP, Arts et Métiers (examinateur)
• M. Arnaud GOTLIEB, Professeur chercheur (HDR), VIAS, Simula Research Laboratory. Norvège (examinateur)
• M. Satish BUKKAPATNAM, Professeur des universités, TEES, Texas A&M University. USA (examinateur)                   
• M. Cosimi CORLETO, Ingénieur, PDG de STIL Marposs Aix-en-Provence (invité)