La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Contribution au pronostic de la qualité d’un produit usiné par la proposition d’un modèle basé sur l’apprentissage machine

Téléchargements

Téléchargements par mois depuis la dernière année

Proteau, Antoine (2021). Contribution au pronostic de la qualité d’un produit usiné par la proposition d’un modèle basé sur l’apprentissage machine. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of PROTEAU_Antoine.pdf]
Prévisualisation
PDF
Télécharger (7MB) | Prévisualisation

Résumé

La présente thèse est une contribution à la surveillance et au pronostic d’un produit usiné à l’aide d’une approche basée sur l’apprentissage machine utilisant une architecture de type autoencodeur variationnel. Encore aujourd’hui, les entreprises manufacturières sont toujours en proie à plusieurs pressions telles que la globalisation des marchés, les demandes constantes de réduction des coûts ou encore les requis qualité toujours plus exigeants. Pour faire suite à cette dernière, l’objectif de cette thèse est donc de démontrer la possibilité de développer un système de mesure alternatif permettant de réaliser le pronostic de la qualité d’un produit usiné, et ce, en temps réel.

Dans cette optique, notre première contribution a été de proposer un descripteur basé sur le concept d’énergie spécifique de coupe. Celui-ci est défini comme étant la quantité d’énergie nécessaire à l’enlèvement de 1 cm3 de matériau. Il a été démontré que ce descripteur est fortement corrélé à l’usure d’un outil de coupe (r > 90%). Nous avons également montré que ce descripteur a un apport considérable (14.7%) lors du processus d’apprentissage dans un contexte d’apprentissage supervisé.

Une autre contribution de ces travaux relève de notre proposition d’un modèle capable de réaliser le pronostic de la qualité d’un produit usiné. Ce modèle est basé sur un réseau de neurones de type autoencodeur variationnel. Le modèle est capable de réaliser le pronostic de la qualité avec une erreur quadratique moyenne de 5.257 X 10‾⁴ mm. L’espace latent de deux dimensions généré par le modèle illustre également une distribution visuelle des données en fonction du niveau de la qualité. En nous basant sur cet espace latent et le concept de distance euclidienne, nous avons aussi proposé une nouvelle métrique permettant de rapidement quantifier le niveau de qualité. Cette métrique est corrélée avec les valeurs observées (r ≈ 94%) et avec les valeurs prédites de la qualité (r ≈ 67%). Cet espace latent fournit donc un outil simple et visuel pour suivre l’évolution du processus d’usinage.

Ces travaux ont été réalisés en partenariat avec un industriel : APN Inc. (Québec, Canada). Ce faisant, les résultats de cette thèse sont majoritairement fondés sur un jeu de données acquis chez celui-ci représentant plus de 600 heures de production régulière. Ceci facilite donc le potentiel de transfert technologique vers l’industrie et ainsi permettre à ces entreprises de mieux réaliser la surveillance et le pronostic de la qualité de leurs processus d’usinage. De plus, cela ouvre la porte à la possibilité d’implanter et d’utiliser un système de mesure alternatif en entreprise.

Titre traduit

A contribution to the quality prognostic of a machined workpiece with a model based on machine learning

Résumé traduit

This thesis is a contribution to the monitoring and prognostic of the quality of a machined workpiece based on a machine learning approach leveraging a variational autoencoder architecture. Still today, the manufacturing industry is prone to multiple pressures such as the globalization of markets, constant cost decrease requests or the ever-increasing quality-level requirements. Regarding the latter, this thesis’ objective is to demonstrate the possibility of developing an alternative measurement system capable of realizing the prognostic of the quality measurement value of a machined workpiece in real time.

In this context, our first contribution was to propose a feature based on the concept of specific cutting energy. This feature is defined as the amount of energy required to remove 1 cm3 of raw material. It was demonstrated that this feature is highly correlated to a cutting tool wear’s level (r > 90%). We also shown that this feature has a significant contribution (14.7%) during the learning process in a supervised learning context.

Another contribution of this thesis comes from our proposal of a model capable of making the prognostic of a workpiece’ quality measurement value. This model is based on a variational autoencoder type of neural network. The model is able to predict the quality values with a mean square error of 5.257 X 10‾⁴mm. The two dimensions latent space generated by the model visually distributes the data according to the quality level. Also based on this latent space and the Euclidean distance concept, we proposed a new metric capable of quickly quantifying the quality level. This metric is correlated with the observed quality values (r ≈ 94%) and with the predicted quality values (r ≈ 67%). Consequently, this latent space is a simple and visual tool that can be used to follow the evolution of the production process.

This work was also accomplished in partnership with an industrial: APN Inc. (Quebec, Canada). Therefore, the results encompassed in this thesis are mostly based on a dataset acquired at the partner’s facility and representing more than 600 hours of regular production. This increases the potential of technological transfer to the industry and will also allows companies to better realize the monitoring and prognostic of the quality of their machining process. Furthermore, this opens the door to the possibility of implementing and using an alternative measurement system in the manufacturing industry.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thèse par articles présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 162-177).
Mots-clés libres: autoencodeur variationnel, pronostic, qualité, tolérancement géométrique et dimensionnel, usinage, données industrielles
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Tahan, Souheil-Antoine
Codirecteur:
Codirecteur
Thomas, Marc
Programme: Doctorat en génie > Génie
Date de dépôt: 02 nov. 2021 17:04
Dernière modification: 02 nov. 2021 17:04
URI: https://espace.etsmtl.ca/id/eprint/2804

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt