TherMoMac

date
2019 — 2021
groupe de compétences
Technologies d'interaction

Système cyber-physique pour la modélisation et la compensation thermiques des machines-outils pour augmenter leurs efficiences

Contexte et enjeux

Le but principal de ce projet est de réduire fortement la phase de préchauffe des machines-outils en « équipant » ces machines avec un système cyber-physique capable de prédire en temps réel l’erreur thermique et d’estimer la compensation thermique correspondante.

L’erreur thermique est la déviation spatiale, causée par des phénomènes thermiques, des outils d’enlèvement de copeaux par rapport à leurs positions théoriques. La compensation thermique représente la correction de positions spatiales des outils concernés afin d’annuler l’effet de cette erreur thermique. Ceci permet de :

  • Garantir la précision d’usinage en toute situation thermique de la machine
  • Fortement réduire, voire supprimer, la phase de préchauffe
  • Fortement réduire le taux de rebut
  • Réduire l’impact écologique des machines par l’augmentation de la productivité et la suppression des rebuts.
  • Retour aux fabricants sur le comportement thermomécanique des machines et adaptation du design des machines futures

Objectifs

Le projet vise à concevoir, développer et valider un système cyber-physique permettant la correction automatique et en temps réel de l’erreur thermique.

Concrètement les objectifs suivants sont visés :

  • Mettre au point une méthodologie d’analyse et de compréhension du comportement thermique des machines. Il s’agit d’un côté d’identifier et de caractériser les sources thermiques de la machine-outil cible.
  • Mettre en place une méthodologie et système de mesures du comportement thermique ainsi que de l’impact de ce comportement sur la qualité et la précision d’usinage. L’objectif est de concevoir, réaliser et valider un système de mesures permettant de relever en temps réels les indicateurs pertinents à la modélisation et à la prédiction de l’erreur thermique.
  • Elaborer des modèles thermomécaniques. Il s’agit ici d’établir les modèles qui décrivent la déformation des composants critiques du point de vue d’usinage en fonction des variations thermiques à l’intérieur de la machine en se basant sur des techniques d’éléments finis. Ces modèles permettent par la suite de déduire la matrice de correction thermique.  Une campagne d’expériences/mesures nous a permet de valider et d’affiner les modèles.
  • Mettre au point des modèles d’apprentissage automatique de l’erreur thermique. Une méthode basée sur l’apprentissage par réseau de neurones (Machine Learning)) permet de compléter le modèle formel établi ci-dessus.
  • Implémenter l’intégration du logiciel en se basant sur des solutions IoT.

Partenaires et financement

HEPIA

Tornos

Financé par la HES-SO (programme thématique Industrie 4.0)

Résultats

Le projet a permis d’établir une méthodologie de modélisation de la déviation thermique en se basant sur des données d’expériences. Des outils et des framework ont été développés pour mettre en œuvre cette méthodologie. Le schéma ci-après illustre la méthodologie et les outils associés pour la modélisation et la prédiction de la déviation thermique.

Architecture de la solution TherMoMac

Les modèles d’apprentissage automatique utilisés pour la prédiction de l’erreur thermique fournissent des performances très encourageants  sur une décolleteuse Tornos SwisNano4 (voir figure ci-dessous).

Prédiction de la déviation thermique (en orange) en utilisant le Machine Learning versus courbe de la mesure réelle (en bleu). En rouge en bas, a) la déviation thermique maximale prédite et mesurée; b) le coefficient de corrélation entre prédiction et mesure et c) le Mean Absolut Error (MAE)

Valorisation

  • Aicha Rizzotti, Nabil Ouerhani, Patrick Haas, TherMoMac – Data-Driven Thermal Behavior Modelling of Machine-Tools,  F&E-KONFERENZ ZU INDUSTRIE 4.0, ETH Zurich, January 2020
  • Nabil Ouerhani, Projet TherMoMac, Journée de recherche IA, 2018 (Fribourg)
  • N. Ouerhani, A. Rizzotti, Bernard Loehr, D. Santos De Pinho, Ph. Schindelholz, Cyber-Physical System for Data-Driven Modelling and Prediction of Thermal Deviation in Turning Machine-Tools, 4th International Conference on Industrial Automation, Robotics and Control Engineering (IARCE 2020), 2020
  • D. Santos De Pinho, P. Neuenschwander, N. Ouerhani, Process Parameters Optimization for Energy Efficiency in Swiss-Type Machining, International Conference on Industrial Automation, Robotics and Control Engineering (IARCE 2019), Amsterdam, 2019
  • A. Gay Des Combes, P. Muller, P. Neuenschwander, N. Pazos, N. Ouerhani, WirelessHART-based Sensor Network for Multichannel Measurement of machine-tool Energy Consumption in Production Environments, International Conference on Industrial Automation, Robotics and Control Engineering (IARCE 2019), Amsterdam, 2019
  • N. Ouerhani, B. Loehr,A. Rizzotti, A. Limat, D. Santos De Pinho, Ph. Schindelholz, Tool Position Measurement Methods for Data-Driven Thermal Error Compensation in  High Precision Turning Machine-Tools, International Conference on Industrial Automation, Robotics and Control Engineering (IARCE 2019), 2019
  • Nabil Ouerhani, Bernard Loehr, Aïcha Rizzotti-Kadouri, Dylan Santo De Pinho, Adrien Limat and Philippe Schindelholz, Data-Driven Thermal Deviation Prediction in Turning Machine-Tool – A Comparative Analysis of Machine Learning Algorithms, International Conference on Industry 4.0 and Smart Manufacturing (ISM) 2021

Cheffe de projet