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.