A contribution to online tool wear detection using deep learning methodology

Aghazadehkouzekonani, Fatemeh (2020). A contribution to online tool wear detection using deep learning methodology. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (10MB) | Prévisualisation
Prévisualisation	PDF Télécharger (666kB) | Prévisualisation

Résumé

Condition monitoring is necessary in machining operation to increase productivity, improve quality and reduce downtime. Tool wear is one of the most common sources of machining problems which occurs due to high temperatures and forces of machining process. Therefore, industry demands reliable tool condition monitoring to address these requirements. This researc investigates a robust on-line tool wear monitoring system in milling operation. Force, vibration and current signals are used as fault indicators to develop a robust model. The main steps of designing an intelligent monitoring system are signal acquisition, signal processing, wear modeling and decision making which all are tackled in different steps of this research.

A set of experiments are conducted with K2X10 Huron high speed CNC machine in LIPPS and Dynamo labs of ETS for validation of the research. Moreover, NASA-Ames tool wear benchmark data-set is used for further validation. In the signal processing step, time-frequency transformation is selected to reveal both time and frequency domain characteristics of the signals simultaneously. Wavelet packet transform as a well established algorithm is employed to transform the signals to time-frequency domain. Spectral subtraction method is leveraged on top of the wavelet transform for current signals to remove the steady state part of the signal and magnify fault signatures.

Recent developments in machine learning algorithms especially deep learning methods result in significant improvement in automation of various tasks in different industries. Therefore, we employed convolutional neural network (CNN) as powerful deep learning algorithm for modeling the tool wear. Most of the common machine learning algorithms are implemented as well in a comparative approach and it is shown that CNN outperforms the baseline algorithms.

Furthermore, this research focuses on scalability of the monitoring algorithms to make them more practical by introducing deep transfer learning in this application. Despite the advantages of machine learning algorithms, one of their main drawbacks is that they have large data requirements. For example, a monitoring system which is trained based on the data from an special machine and model is not reusable on another machine. Therefore, for each machine and task, considerable amount of training data is required. Transfer learning refers to reuse of a machine (deep) learning model which is trained on a problem for a related new problem. This method is successfully implemented and validated for tool wear monitoring and it is demonstrated that by leveraging the proposed framework of this research, robust monitoring algorithms can be achieved even with low amounts of data.

Titre traduit

Contribution à la surveillance en ligne de l’usure des outils de coupe à l’aide d’une méthodologie d’apprentissage en profondeur

Résumé traduit

La surveillance des conditions d’opérations dans les centres d’usinage est essentielle pour augmenter la productivité, améliorer la qualité et réduire les temps d’arrêt. L’usure des outils est une source courante des problèmes liées à l’usinage. Généralement, cette usure est due aux températures élevées et aux contraintes mécaniques imposées par le processus d’usinage. Par conséquent, l’industrie exige une surveillance fiable de la condition de l’outil pour répondre aux exigences de qualité et de productivité. La recherche proposée porte sur un système de surveillance en ligne de l’usure des outils dans les opérations de fraisage. Les signaux de force, de vibration et de courant sont utilisés comme indicateurs de panne pour développer un modèle robuste. Les principales étapes de la conception d’un système de surveillance intelligent sont l’acquisition du signal, son traitement, la modélisation de l’usure et la prise de décision. Toutes ces étapes sont abordées dans cette recherche. Une série d’expériences est menée avec la machine à commande numérique à haute vitesse Huron K2X10 dans les laboratoires LIPPS et Dynamo de l’ÉTS. Aussi, lors des travaux de développement et de validation, une base de données de référence pour l’usure des outils (NASA-Ames) est utilisée. Dans l’étape de traitement du signal, la transformation temps-fréquence est sélectionnée pour révéler simultanément les caractéristiques à la fois temporelles et fréquentielles des signaux. La transformation en ondelettes est utilisée pour transformer les signaux au domaine tempsfréquence. La méthode de soustraction spectrale est mise à profit par-dessus de la transformation en ondelettes afin de supprimer la partie stationnaire (stable) du signal et d’amplifier ainsi les signatures de défaut. Les récents développements des algorithmes d’apprentissage, notamment des méthodes d’apprentissage en profondeur, entraînent une amélioration significative du degré d’automatisation. Nous avons utilisé le réseau de neurones à convolution (CNN) comme algorithme d’apprentissage en profondeur pour la modélisation de l’usure des outils. La plupart des algorithmes courants d’apprentissage automatique sont également implémentés dans une approche comparative, et nous démontrons que le CNN surpasse les autres algorithmes. En outre, cette recherche porte sur la capacité d’évolution des algorithmes de surveillance afin de les rendre plus pratiques en introduisant un apprentissage par transfert en profondeur dans cette application. Malgré les avantages des algorithmes d’apprentissage automatique, l’un de leurs principaux inconvénients est qu’ils ont de grandes exigences en matière de données. Par exemple, un système de surveillance formé à partir des données d’une machine et d’un modèle spécifique n’est pas réutilisable sur une autre machine. Par conséquent, pour chaque machine et tâche, une quantité considérable de données de formation est requise. L’apprentissage par transfert fait référence à la réutilisation d’un modèle d’apprentissage sur une machine, qui est formé sur un problème pour un nouveau problème connexe (ou similaire). Cette méthode a été mise en oeuvre et validée avec succès pour la surveillance de l’usure des outils, et il a été démontré qu’en exploitant le cadre de recherche proposé, il était possible d’obtenir de algorithmes de surveillance robustes, même avec de faibles quantités de données.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy. Comprend des références bibliographiques (pages 111-120).
Mots-clés libres:	usure, usinage, surveillance, apprentissage par transfert, apprentissage en profondeur, réseau de neurones à convolution
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Tahan, Souheil-Antoine
Codirecteur:	Codirecteur Thomas, Marc
Programme:	Doctorat en génie > Génie
Date de dépôt:	17 déc. 2020 20:40
Dernière modification:	02 nov. 2021 15:45
URI:	https://espace.etsmtl.ca/id/eprint/2606

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt