Résumé :

La surveillance de l’usinage a un rôle capital pour garantir la sécurité du procédé et optimiser la production sur des critères de qualité et de productivité. La quasi-totalité des solutions proposées n’envisage la surveillance que sous l’angle de la détection et n’autorise ni la description des phénomènes néfastes ni leur diagnostic. L’objectif de la thèse est de répondre à ce besoin industriel en proposant une solution de surveillance avancée qui apprenne des défauts du procédé pour l’amélioration du processus global. Dans un premier temps, la surveillance de l’état des paliers de broches UGV est étudiée. Leur durée de vie faible et très aléatoire en fait la principale cause de casse des broches. L’analyse de leur comportement au cours du procédé a permis la création d’un protocole de surveillance spécifique aux broches ainsi que d’un nouveau critère vibratoire de fin de vie. L’ensemble autorise la description de l’état des roulements ainsi que leur maintenance préventive. Deuxièmement, les causes de leurs dégradations sont recherchées. Un système innovant d’acquisition en continu de données industrielles d’usinage est mis en œuvre sur plusieurs machines. Une méthode d’identification des usinages critiques est créée. Associée aux critères d’état des broches, elle permet d’identifier toutes les causes de dégradations des paliers. Enfin, notre approche nouvelle de la surveillance est généralisée sous la forme du concept SMMS (Smart Machining Method and System). Fondé sur l’acquisition de données d’usinage, son fonctionnement s’appuie sur l’Extraction de Connaissances à partir de Données (ECD). Il est mis en œuvre pour différentes problématiques : un critère d’anticipation de bris d’outils est proposé, ainsi qu’un autre pour la détection de défauts de qualité des pièces. Est également présentée une méthodologie d’analyse des données d’usinage pour l’amélioration continue du processus d’UGV.

Résumé :

Machining monitoring is essential to secure the process and optimise quality and productivity of the production. Most of monitoring solutions are designed only to detect problems. They do not allow describing or diagnosing harmful phenomena. The goal of the thesis is to answer this industrial issue by proposing an advanced monitoring solution, which can learn from process faults in order to improve the process. First monitoring of HSM spindles bearing is studied. Their low and very random service life is the main cause of spindles failures. A preliminary analysis of their behaviour during machining is realised in order to create appropriate spindle monitoring protocol. An end-of-life criterion is also designed. The whole allow to describe the state of spindle bearings and to maintain them. Secondly the causes of bearing damages are investigated. An innovative monitoring system is created, which realises a continuous acquisition of machining data. It is set up on several industrial machining centres working in industry. A method is created in order to identify critical machining operations. This method is applied in association to spindle state criteria to the monitored spindles. Thanks to it, all causes of bearing damages are found. Finally, our new approach of machining monitoring is generalised with the SMMS concept (Smart Machining Method and System). It is based on the acquisition of machining data and it operates using the Data Mining process. It is set up for different issues : a tool breakage anticipation criterion and a quality defect criterion are created. A machining data analysis method is also developed in order to help the continuous improvement of the machining process.