Condition-Based Monitoring Using Artificial Intelligence on Real-Time Machining of Aeronautics Parts

RÉSUMÉ Le paradigme de l’industrie 4.0 est le nouveau standard pour les industries cherchant à maintenir la qualité et la rapidité de production nécessaire à la fabrication de pièces de plus en plus complexes, particulièrement dans le domaine de l’aéronautique où les standards sont stricts. Ce paradigme facilite la surveillance du procédé de fabrication en temps-réel par la virtualisation de toutes les composantes du procédé de fabrication. Par le fait même, il permet la surveillance de l’état de la machine par l’utilisation de modèles basés sur la physique des machines et procédés ou basés sur les données. C’est dans le domaine de la surveillance de l’état de la machine basée sur la collecte de données que s’inscrit la présente recherche. L’innovation présentée par cette recherche vient du fait d’appliquer les principes de surveillance de l’état de la machine aux procédés de fabrication. De plus, elle utilise un jeu de données dont la fréquence d’acquisition est de 1/3Hz, une fréquence considérée basse en comparaison au reste de la littérature pour lesquelles la fréquence d’acquisition se situe plutôt dans les 1000 Hz. Une analyse de données à basse fréquence peut être utilisée par des compagnies ayant de l’équipement désuet, un réseau informatique avec une faible bande passante (ou une bande passante surutilisée), ou encore des ressources limitées. La méthode proposée faciliterait la transition vers l’industrie 4.0 pour ce type de compagnies. L’objectif principal de cette recherche est de développer un algorithme de surveillance de machine basée sur l’analyse de données et capable de détecter des changements dans la condition des machines. Pour ce faire, des données de productions ont été collectées sur des machines outils pendant le machinage. Une analyse des métriques collectées pour trouver les plus pertinentes a été effectuée et, finalement, un algorithme de surveillance a été développé. Dans les données collectées par notre partenaire industriel, nous avons trouvé que le "Spindle Load" donnait le plus d’informations pertinentes sur le processus de fabrication. Notre étude de cas a démontré que notre technique permet la detection de problèmes dans le procédé de fabrication par l’utilisation d’une fonction d’estimation par noyau avec noyau gaussien. La technique est considérée temps réelle puisque le traitement du signal est plus rapide que notre temps d’acquisition, respectivement moins d’une seconde comparé à un point de donné au 3 secondes. Dans notre étude de cas, les 2 plus mauvais scores représentaient les séries problématiques respectivement avec un score de 47,52% pour la série numérotée 237 et 45,34% pour la série numérotée 241, alors que les 2 meilleurs scores étaient de 80,28% pour la série numérotée 135 et 80,00% pour la série numérotée 233.

Abstract

ABSTRACT Industry 4.0 is the new standard for industries that want to keep up with the quality and speed that is needed for part production, especially in the aeronautical field where standards are stricter. This paradigm helps the production process by easing the monitoring of the machining processes in real-time. Doing so enables for condition-based monitoring (CBM), be it model-driven or data-driven, of the machines. This research belongs to CBM data-driven and apply statistical analysis to data collected during the machining process. The innovation of this research comes from applying CBM to the monitoring of machining processes instead of the machine’s state. Furthermore, the research uses a dataset with a data acquisition rate of 1/3Hz, which is very low when compared to with the literature were data acquisition rate is often in the 100-1000 Hz range. Low sampling rate data analysis can be used by industries with outdated equipment, low bandwidth network or other limited resources. The proposed method would ease the transition to industry 4.0 for these industries. The main objective of this research is to develop a data-drive algorithm capable of detecting changes in a machine-tool’s state. To achieve this goal, data was acquired on machine-tools while in production. An analysis of the metrics collected was performed to determine which gave the most information, and finally, a CBM algorithm was developed. The research found that, from the data collected by our industrial partner, the Spindle Load gave the most relevant information about the machining process. Our study case show that we are able to detect problems in the machining process by using kernel density estimation function with a Gaussian kernel. Since the data collection is done once every 3 seconds and our technique takes less than a second to analyze the signal, this is consider real time for our use case. The two worst scores represented the 2 abnormal runs from the series with a score of 47.52% for run 237 and a score of 45.34% for run 241, while the two best scores were 80.28% for run 135 and 80.00% for run 233.