Machine learning models for predicting volumetric and machining errors of five-axis machine tools

L'erreur systématique, comme les VEs (erreurs volumétriques), et l'erreur de processus, comme la déviation dimensionnelle, entraînent des imprécisions dans les pièces usinées. Par conséquent, la prédiction des erreurs est une condition préalable à leur compensation afin d'améliorer la précision des pièces. Cependant, en raison de la complexité des sources d'erreurs et de leurs modèles physiques, la prédiction des erreurs dans les machines-outils à cinq axes est un défi. Ce travail de recherche présente une étude approfondie sur la prédiction des erreurs volumétriques et des déviations d'usinage dans les machines-outils à cinq axes à l'aide de modèles d’apprentissage automatique (ML). Pour étudier la possibilité d'utiliser le ML pour prédire les erreurs volumétriques dans des conditions de charge nulle et de stabilité thermique, des données synthétiques sur les erreurs géométriques inter-axes et certaines erreurs intra-axes sont générées pour former deux modèles de ML : Neural Networks (NN) or an eXtreme Gradient Boosting (XGBoost). Les résultats indiquent que les modèles NN et XGBoost prédisent efficacement les VEs d'une machine-outil à cinq axes avec une topologie wCBXfZY(S)t, indépendamment des valeurs des paramètres d'erreur géométrique. Pour valider ces résultats, les deux modèles d'apprentissage automatique ont été entraînés avec des données expérimentales obtenues à l’aide d’un artefact de mesure composé d’une SAMBA (scale and master ball artefact), ainsi que par palpage direct sur machine. Lorsqu'ils sont entraînés uniquement avec des données expérimentales provenant de vingt billes, XGBoost surpasse NN sur les quatre métriques d’erreur et en termes de temps de traitement. De plus, une approche optimisée a été testée : en entraînant NN avec les données de seulement deux billes de référence, un jeu de données d’une barre de mesure et une bille supplémentaire (lorsque seule la broche tourne), les performances obtenues dépassent celles du modèle cinématique à 13 erreurs. Afin d'approfondir l'impact de la taille de l'échantillon d'entraînement et la généralisation des modèles de ML, un dispositif similaire au test R est utilisé pour collecter des données en mode de mesure en continu. La tête de détection enregistre les écarts par rapport à la coïncidence nominale sous forme de vecteur d'erreur volumétrique 3D. Pour identifier les effets d'échelle isotropique, plusieurs billes ainsi qu'une barre de mesure de longueur fixe sont analysées. Le traitement initial des données à l'aide de la méthode SAMBA permet d’éliminer les erreurs d’installation et de fournir des estimations des erreurs inter- et intra-axes, ainsi que des vecteurs d'erreurs volumétriques. Les modèles NN et XGBoost, configurés avec des structures et des hyperparamètres identiques, sont ensuite entraînés et comparés. Les résultats montrent que NN surpasse légèrement XGBoost et le modèle cinématique à 13 erreurs, avec des ratios d'erreur de prédiction sur la norme des erreurs volumétriques de 0,12, 0,13 et 0,14, respectivement. Après avoir proposé des méthodes de prédiction des VEs, la prédiction des erreurs survenant durant le processus d'usinage est également étudiée. Trois paramètres de coupe sont sélectionnés comme candidats d’entrée pour le modèle de ML: la vitesse de coupe, l'avance par dent et la profondeur radiale de coupe. De plus, des variables facilement accessibles, telles que la force de coupe, les positions nominales de chaque cylindre sur la pièce et les diamètres initiaux nominaux, sont également prises en compte. Pour identifier un modèle prédictif adapté avec les entrées nécessaires, trois algorithmes de ML couramment utilisés – à savoir Random Forest (RF), XGBoost et Adaptive Boosting (AdaBoost) – sont évalués et comparés. La fonction intégrée appelée « Importance des caractéristiques » dans RF est utilisée. Les résultats montrent que, à partir du jeu de données utilisé dans ce projet, l'avance par dent a l'influence la plus significative sur l'erreur de diamètre, suivie par la vitesse de coupe. Parmi les algorithmes testés, RF offre les meilleures performances, atteignant une valeur R² de 0,954 et un ajustement de 94,7 % pour la prédiction de l'erreur de diamètre.