Surveillance de l'usure des outils en fraisage CNC

Aperçu du système de surveillance de l'état des outils (TCM)

La surveillance de l'état des outils (TCM) contrôle les performances d'un outil de coupe pendant l'usinage (notamment en fraisage CNC) en vérifiant systématiquement ses performances afin de détecter la fin de sa durée de vie utile due à l'usure, la casse ou l'écaillage. L'intégration de divers capteurs, tels que des capteurs de force de coupe, de vibrations, d'émission acoustique ou encore des capteurs d'image optique, permet une prise de décision en temps réel quant au moment opportun pour remplacer un outil de coupe ou l'ajuster. Ceci améliore la qualité des pièces et réduit les temps d'arrêt machine, optimisant ainsi les coûts d'outillage.

La surveillance des outils (TCM) diffère de la surveillance de l'état des machines, qui contrôle l'état de la machine-outil (roulements, broches, moteurs d'entraînement et structure) en surveillant des paramètres tels que les vibrations de la broche, le courant moteur ou la température afin de prévenir les pannes et de maintenir le bon fonctionnement du système. La surveillance des outils, quant à elle, se concentre uniquement sur l'état de l'outil de coupe et son impact sur le processus d'usinage ; tandis que la surveillance des machines vise à préserver le bon fonctionnement de la machine, la TCM préserve celui de l'outil. La TCM et la surveillance des machines sont toutes deux des composantes importantes de l'industrie 4.0 ; cependant, chacune est conçue pour surveiller et diagnostiquer différents types de pannes à l'aide de capteurs et de méthodes de diagnostic différents.

Principes fondamentaux de l'usure des outils

L'usure en dépouille est le type d'usure le plus fréquent. Elle se produit à l'interface entre la face de dépouille de l'outil et la surface usinée, provoquant une érosion progressive. L'usure en cratère se produit à l'interface entre le copeau et la face de coupe de l'outil, créant une dépression due aux températures élevées et aux interactions entre le copeau et l'outil. Outre ces deux types d'usure, il en existe plusieurs autres, tels que l'écaillage (détachement de petits copeaux du tranchant sous l'effet d'un choc thermique ou mécanique) ; l'adhérence (soudure du matériau de la pièce à l'outil, puis détachement avec celui-ci, emportant avec lui une partie du matériau de l'outil) ; la diffusion (migration d'atomes de la pièce à l'outil à très haute température) ; et la déformation plastique (déformation permanente du tranchant de l'outil due à une chaleur ou une pression excessive).

L'usure peut être décrite en quatre phases distinctes. La première, dite de rodage, correspond à la phase initiale d'usure du tranchant, durant laquelle une usure mineure se développe le temps que le tranchant se stabilise. Une fois cette phase terminée, la deuxième, dite de régime permanent, débute. Durant cette phase, l'usure du tranchant progresse de manière relativement stable. Cependant, si les conditions de coupe se dégradent (par exemple, une augmentation de la température, une diminution du refroidissement, etc.), le tranchant entre dans une troisième phase, dite d'usure rapide. Cette phase est caractérisée par une détérioration continue et accélérée du tranchant, et aboutit finalement à une quatrième phase, dite d'usure sévère. Durant cette phase, le tranchant subit une rupture catastrophique (rupture du tranchant) et/ou un écaillage important, entraînant la mise au rebut de l'outil.

La vitesse d'usure dépend à la fois des paramètres de coupe et des propriétés du matériau de l'outil. L'augmentation de la vitesse de coupe tend à élever la température de l'outil, ce qui accélère l'usure par diffusion et par adhérence. Des avances et/ou des profondeurs de passe élevées tendent à accroître les contraintes mécaniques sur l'outil, ce qui accélère l'abrasion et l'écaillage. L'usure est également fortement influencée par la dureté et l'abrasivité du matériau de la pièce, car ces deux caractéristiques tendent à augmenter le frottement, les contraintes thermiques et les contraintes mécaniques.

Méthodes de surveillance de l'usure des outils

Méthodes directes

Plutôt que d'utiliser des capteurs de contact pour mesurer l'usure des outils, les deux technologies de mesure directe de l'usure des outils énumérées ci-dessous utilisent la vision industrielle, ou une technologie de mesure optique, pour déterminer visuellement l'usure des outils en visualisant une image du bord ou de la pointe de l'outil de coupe et en déterminant si l'outil de coupe est usé en analysant l'image.

1. Techniques optiques/basées sur la vision

Des images haute résolution de l'outil de coupe sont capturées par des systèmes de vision industrielle au niveau de son arête, de sa pointe ou de son flanc, avant ou immédiatement après le fraisage. Ces images sont ensuite analysées afin de déterminer les caractéristiques d'usure de l'outil, telles que la largeur d'usure en dépouille, l'écaillage ou l'arrondi de l'arête. Ce type de système de mesure, sans contact avec l'outil, n'affecte pas le processus d'usinage et peut être intégré à la broche de la commande numérique ou ajouté à une caméra fixée directement sur la machine pour une surveillance en temps réel. Nombre de ces systèmes utilisent des techniques de traitement d'image simples, comme la détection de contours ou la segmentation d'image par seuillage, pour identifier les zones d'usure de l'outil. Grâce aux progrès réalisés dans le domaine des caméras et des systèmes d'éclairage, ces systèmes sont généralement moins coûteux que d'autres systèmes de capteurs et peuvent être intégrés aux configurations existantes de l'industrie 4.0.

1. Analyse de la texture de surface et classification d'images à grain fin (ECADCL)

Une autre méthode directe de mesure de l'usure des outils consiste à analyser la surface usinée. À mesure que l'outil s'émousse, la texture de la surface usinée se modifie. Pour ce faire, on prend des images de la surface usinée, puis on applique des techniques avancées de classification d'images afin d'en déduire l'état de l'outil. Un exemple récent de cette technique est ECADCL (Efficient Channel Attention Destruction and Construction Learning), une technique d'apprentissage qui identifie des différences subtiles de texture de surface pour classifier les niveaux d'usure.

architecture d'ECADCL

Avantages

• Le fait qu'elles soient sans contact signifie que les méthodes de mesure de l'usure des outils basées sur la vision n'interfèrent pas avec le fonctionnement mécanique du processus d'usinage et ne réduisent pas la durée de vie des capteurs.
• Les méthodes de mesure de l'usure des outils basées sur la vision sont généralement moins coûteuses que les instruments de mesure traditionnels à capteurs lourds ; beaucoup ne nécessitent que des caméras, un éclairage et un logiciel informatique standard disponibles dans le commerce.
• Les méthodes de mesure de l'usure des outils basées sur la vision sont également flexibles en ce qui concerne leur intégration facile dans les équipements CNC existants ; par exemple, une caméra peut être ajoutée à la zone du changeur d'outils de la machine ou installée à l'intérieur de l'enceinte pour inspecter l'outil de coupe in situ entre les passes.

Méthodes indirectes

Comparée à l'inspection visuelle directe, la méthode TCM indirecte utilise les données des capteurs pour déterminer l'état d'un outil de coupe sans interrompre l'usinage. Cette méthode analyse les données des capteurs, qui évoluent au fur et à mesure de la détérioration de l'outil, afin de déterminer en continu et en temps réel le niveau d'usure.

1. Surveillance basée sur des capteurs

De nombreux types de données issues de capteurs physiques peuvent être utilisés à cette fin. Par exemple, les capteurs de vibrations mesurent l'évolution du comportement dynamique du système broche-outil au fil du temps. Les signaux de force et de courant moteur permettent également de mesurer l'augmentation de l'énergie requise lorsque l'outil s'use et que la machine subit une résistance accrue. De plus, les capteurs d'émission acoustique (EA) mesurent les ondes de contrainte à haute fréquence produites lors de la coupe et les microfissures, et sont très sensibles aux premiers stades d'usure de l'outil. Enfin, les signaux sonores et thermiques peuvent fournir des données complémentaires sur les conditions de coupe. Bien que chaque type de capteur présente des avantages, l'utilisation d'un seul type peut s'avérer peu fiable en raison du bruit et de la complexité de l'usinage.

Capteur de vibration

1. Fusion multi-capteurs pour une fiabilité accrue

Afin de minimiser les limitations des systèmes à capteur unique, la fusion de données multisensorielles exploite des données provenant de sources multiples, telles que l'émission acoustique, les vibrations et le son, pour développer un système de surveillance plus fiable et précis. Ceci permet une validation croisée des informations issues de différentes sources de données, réduisant ainsi les taux de fausses alarmes dues au bruit ou à d'autres événements transitoires susceptibles d'affecter un seul type de capteur. En définitive, les systèmes de fusion de données multisensorielles offrent une vision beaucoup plus complète du processus d'usinage et améliorent considérablement la fiabilité du diagnostic.

1. Approches de fusion de données

La fusion des données peut s'effectuer à trois niveaux principaux :

1. Fusion au niveau du signal : Les données brutes de chaque capteur sont combinées avant l’extraction des caractéristiques. L’imagerie matricielle angulaire, une technique novatrice de fusion au niveau du signal, transforme les données de séries temporelles multisensorielles (par exemple, les données de capteurs d’émission acoustique et de vibrations) en images bidimensionnelles en niveaux de gris. Cette technique préserve les relations temporelles entre les données et constitue un outil puissant pour l’entraînement de modèles d’apprentissage profond basés sur l’image, permettant ainsi la classification des données fusionnées.
2. Fusion au niveau des caractéristiques : des caractéristiques individuelles (par exemple, des propriétés statistiques ou des composantes fréquentielles) sont extraites des données brutes de chaque capteur. Les vecteurs de caractéristiques sont ensuite combinés en un seul vecteur qui est utilisé comme entrée pour un algorithme de classification.
3. Fusion des données au niveau de la décision : chaque flux de données de capteur est traité indépendamment par un modèle distinct afin de générer une prédiction d’usure distincte. La décision finale est obtenue en fusionnant ces prédictions individuelles. Cette fusion peut être réalisée à l’aide de différentes techniques, notamment un système de vote ou un méta-classificateur.

 Approches basées sur les données

L'IA révolutionne le fraisage CNC grâce à l'apprentissage automatique et à l'apprentissage profond, créant ainsi une intelligence prédictive qui remplace la maintenance réactive traditionnelle. Son utilisation dans le fraisage CNC automatise l'extraction de caractéristiques à partir des données machine et permet aux entreprises de prédire les défaillances d'outils avec une précision sans précédent.

Grâce à des modèles performants tels que les réseaux de neurones convolutifs (CNN) et les réseaux LSTM (Long Short-Term Memory), les systèmes actuels extraient des caractéristiques pertinentes à partir de vastes quantités de données de capteurs. L'utilisation de réseaux résiduels profonds avec mécanismes d'attention (fonctionnant comme un zoom intelligent) permet l'identification automatique des tendances ou schémas clés dans les vibrations, les émissions acoustiques et les signaux de courant, tout en identifiant et en éliminant simultanément les bruits de fond parasites. Ces systèmes permettent ainsi une évaluation très précise et en temps réel de l'état des outils.

Ces approches basées sur l'IA combinent les données de multiples capteurs, ce qui constitue l'un de leurs principaux atouts. Cela permet de centraliser toutes les données pertinentes pour obtenir une évaluation globale de l'état de l'outil de coupe. De plus, cette approche favorise une amélioration continue grâce à l'apprentissage adaptatif. Autrement dit, le système affine constamment ses capacités de prédiction à partir des nouvelles données collectées lors des opérations réelles. Cette technique offre une méthode fiable pour évaluer les performances des outils de coupe fonctionnant dans des conditions variables (différents matériaux et paramètres d'usinage).

Qu'il s'agisse d'opérations de tournage, de perçage, de rectification ou de fraisage, les résultats sont sans appel : les entreprises peuvent désormais prédire avec une grande précision (plus de 90 %) la date de défaillance d'un outil, minimiser les temps d'arrêt imprévus et réaliser des économies en évitant le gaspillage de pièces et les pannes coûteuses. Par conséquent, la mise en œuvre d'une stratégie de maintenance prédictive n'est plus un luxe, mais une nécessité pour optimiser la productivité et la durée de vie des outils dans l'environnement industriel actuel.

Systèmes d'apprentissage profond et de surveillance intelligente

L'apprentissage profond a permis des avancées considérables dans la surveillance de l'usure des outils en fraisage CNC grâce à une nouvelle génération de systèmes intelligents nettement supérieurs aux générations précédentes. La méthode la plus répandue utilise des réseaux résiduels profonds (DRN) enrichis de modules d'attention. Le module d'attention par blocs convolutionnels (CBAM) en est un exemple : il combine la puissance des deux méthodes, permettant au système intelligent de sélectionner automatiquement les caractéristiques les plus importantes des données des capteurs et d'ignorer les informations non pertinentes (bruit), tout en améliorant significativement la précision du diagnostic.

Une autre amélioration majeure a consisté à convertir les données de capteurs de séries temporelles (capteurs de vibrations, d'émission acoustique et de courant) en une matrice 2D représentant le signal sous forme d'« image visuelle ». Lorsque ces signaux matriciels sont traités par des réseaux neuronaux convolutifs (CNN), le CNN traite les signaux comme des « modèles », ce qui permet une extraction automatique considérable de caractéristiques qui ne pourrait jamais être réalisée par des méthodes manuelles.

Le processus automatisé permet une classification précise de l'état d'usure des outils (initiale, normale, rapide et sévère) grâce à une classification très précise. Le traitement direct des données multisensorielles garantit une robustesse et une précision exceptionnelles, avec des taux de reconnaissance supérieurs à 90 %. Vous disposez ainsi d'une base fiable et basée sur les données pour une maintenance prédictive qui minimisera les arrêts imprévus et protégera vos machines contre les dommages importants.

Mise en œuvre industrielle et avantages

• Maintenance prédictive avec données en temps réel : la détection multisensorielle basée sur l’IA identifie les performances des outils en temps réel et, en identifiant les signes d’usure ou de défaillance imminente (avant qu’ils ne surviennent), permet une action immédiate.
• Réduction des déchets et optimisation de l'utilisation des outils : prédire la défaillance d'un outil maximise son potentiel d'utilisation, minimisant ainsi le nombre de remplacements nécessaires et réduisant par conséquent les déchets générés par les outils défectueux ou non fonctionnels.
• Amélioration de la constance de la production : Le maintien de conditions constantes sur les outils utilisés pour les processus de production assure la constance des produits fabriqués, augmente la qualité globale des produits et minimise les variations.
• Technologies fondamentales pour les systèmes de fabrication intelligents : Les technologies ci-dessus sont des composantes clés de l’Industrie 4.0 (systèmes de fabrication intelligents), permettant d’effectuer une maintenance prédictive basée sur les données et de programmer automatiquement la maintenance planifiée.

Défis et limites

• Qualité et volume des données : La qualité des données utilisées est essentielle à un suivi efficace. Cependant, le « bruit » des capteurs (variations aléatoires du signal de sortie) peut dégrader cette qualité. De plus, le volume de données disponibles lors des phases d’usure précoce ou extrême étant nettement inférieur à celui des phases d’usure normale, il peut être difficile pour le modèle d’identifier toutes les conditions d’utilisation de l’outil.
• Exigences de calcul élevées : Bien que les modèles tels que les réseaux de neurones résiduels profonds offrent une grande précision dans l’identification de l’état des outils, ils nécessitent une puissance de calcul importante. Pour obtenir des performances acceptables avec ces modèles, les entreprises devront généralement investir dans des processeurs graphiques (GPU) performants, ce qui peut s’avérer impossible avec leur matériel actuel.
• Généralisation limitée : les modèles entraînés pour une application spécifique ne peuvent généralement pas être généralisés à d’autres applications. Par conséquent, utiliser le même modèle que celui utilisé pour surveiller l’usure d’une fraise pour surveiller l’usure d’un foret, ou pour surveiller l’usure d’un nouveau type de matériau, voire d’une nouvelle machine CNC, peut entraîner une diminution de la précision des résultats, à moins de réentraîner le modèle, ce qui représente un coût et un effort considérables.
• Installation et intégration des systèmes : L’intégration de systèmes de modernisation pour les systèmes de surveillance modernes sur différents types de machines à commande numérique (CNC) peut s’avérer complexe en raison du caractère complexe, invasif et coûteux de l’installation de capteurs et de matériel d’acquisition de données sur ces machines. De ce fait, l’adoption généralisée de cette technologie reste difficile dans de nombreux secteurs industriels.

Conclusion

La détection de l'usure des outils est devenue un élément essentiel de la fabrication intelligente, offrant une approche plus intelligente et basée sur les données pour l'usinage CNC (fraisage CNC). L'utilisation de capteurs de pointe (émissions acoustiques, vibrations, flux de fuite, courant) combinée à l'intelligence artificielle (IA) et aux capacités d'apprentissage profond des outils de surveillance actuels permet un usinage prédictif et adaptatif. Les systèmes modernes de surveillance de l'usure des outils peuvent désormais détecter l'usure d'un outil et prédire sa défaillance, permettant ainsi des mesures préventives proactives. La fabrication intelligente atteint son objectif ultime grâce à ces capacités d'usinage prédictif et adaptatif. Elle permet une précision accrue, une réduction significative des temps d'arrêt imprévus et des coûts d'outillage, ainsi qu'une productivité globale améliorée. Ces avancées constituent une évolution intelligente du fonctionnement des machines CNC et marquent un nouveau niveau d'efficacité et de fiabilité pour ces opérations.