Vous êtes sur la page 1sur 8

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/257298002

Optimisation des paramètres de coupe en tournage

Conference Paper · April 2011


DOI: 10.13140/RG.2.1.2623.8565

CITATIONS READS

5 6,524

3 authors:

Hicham Chibane Roger Serra


National Institute of Applied Science Institut National des Sciences Appliquées Centre Val de Loire
46 PUBLICATIONS   66 CITATIONS    151 PUBLICATIONS   470 CITATIONS   

SEE PROFILE SEE PROFILE

René Leroy
University of Tours
109 PUBLICATIONS   416 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

PhD study View project

Increase agility of inventive design process View project

All content following this page was uploaded by Roger Serra on 04 June 2014.

The user has requested enhancement of the downloaded file.


Optimisation des paramètres de coupe en tournage
Hicham CHIBANE1, Roger SERRA 2, René LEROY3
1
Université François Rabelais, Laboratoire de Mécanique et Rhéologie, E.A. 2640
B.P. 3410, 41034 Blois Cedex, France
hicham.chibane@univ-tours.fr
2
ENI Val de Loire, Université François Rabelais, Laboratoire de Mécanique et Rhéologie, E.A. 2640
B.P. 3410, 41034 Blois Cedex, France
roger.serra@univ-tours.fr
3
Université François Rabelais, Polytech’Tours, Laboratoire de Mécanique et Rhéologie, E.A. 2640
7 Avenue Marcel Dassault, 37200 Tours, France
rene.leroy@univ-tours.fr

Résumé— Le tournage est l'un des procédés d'usinage les plus logique floue (FL) et les algorithmes génétiques (GA)
utilisés dans l'industrie mécanique. Ainsi, le choix des (Lakshminaraya et al [4], Azlan et al [5], Risbood et al [6].
paramètres de coupe optimaux est très important afin d’assurer Le choix des conditions de coupe s’avère un facteur très
un meilleur état de surface des pièces usinées, une durée de vie important dans l’usinage. Actuellement, les méthodes les plus
plus importante des outils de coupe et une productivité plus
utilisées pour faire ce choix sont des méthodes empiriques
élevée. Le résultat d’un bon choix de conditions de coupe peut
être constaté par une diminution des niveaux d’efforts de coupe basées sur l’expérience des fabricants et des utilisateurs des
et de vibrations de l'outil. L’objectif de cette étude est, d’une outils coupants (abaques, diagrammes par constat
part d’étudier les effets des paramètres de coupe (vitesse de expérimental, etc). Ses expériences, souvent très couteuses,
coupe, profondeur de passe, avance par tour, sortie d'outil) sur donnent une large plage de choix des paramètres en fonction
l’état de surface des pièces usinées, la productivité, les efforts de de leurs besoins. Ainsi l’objectif est de fournir à ces derniers
coupe, la dynamique de la coupe et, d’autre part de choisir les un nouvel outil permettant de choisir les conditions de coupe
paramètres de coupe optimaux en tournage d’un acier (100C6) de façon intelligente à partir d’un minimum d’expériences
pour une configuration choisie. Les résultats montrent qu’on tout en prenant en compte des intérêts parfois opposés.
peut choisir les conditions de coupe optimales dans différentes
configurations d’usinage. Cette étude nous a permis de fournir
un outil numérique pour le choix des conditions de coupe à Pour atteindre cet objectif, une combinaison de plusieurs
partir d’un minimum d’essais et son efficacité a été testée avec méthodes : statistiques, analytiques, et expérimentales a été
succès sur quatre configurations représentatives. mise en œuvre. La méthode de régression linéaire a permis
d’obtenir une modélisation mathématique des paramètres de
Mots-clés— Tournage, Plans d'expériences, Régression linéaire, coupe. Pour chacun des modèles, un test de « Student » a été
ANOVA, Optimisation, Rugosité, Efforts de coupe, Vibrations. appliqué pour sélectionner les paramètres les plus
significatifs. Puis, l’analyse de variance (ANOVA) a été
I. INTRODUCTION utilisée pour vérifier la validité des modèles [7]. Finalement,
l’algorithme d’optimisation choisi est un algorithme génétique
Le tournage est l'un des procédés d'usinage les plus utilisés d’optimisation multi-objectifs (GAO) utilisant la méthode de
dans l'industrie mécanique. Pour déterminer la qualité d’une sommes pondérées.
opération d’usinage, il est possible d’utiliser des méthodes
statistiques pour prédire la rugosité de surface, l’usure de
l’outil en fonction des conditions de coupe. Un grand nombre Nomenclature :
d'études sur la rugosité de surface, l’usure de l'outil de coupe,
les efforts de coupe ou les vibrations de l'outil, liées à des ap Profondeur de passe (mm)
opérations de tournage ont été menées. Choudhury et al [1] f Avance par tour (mm)
ont utilisé la méthode de surface de réponse (RSM) avec un Vc Vitesse de coupe (m/min)
plan factoriel pour prédire la rugosité de surface lors d’un So Sortie d’outil (%)
usinage des matériaux à haute résistance. Horng et al [2] ont Q Débit coupeaux (cm3/min)
étudié l'usinabilité d’un acier dur Al2O3/TiC en tournage avec Ra Rugosité arithmétique (um)
un outil mixte à base de céramique par la méthode de surface rε Rayon de bec (mm)
de réponse. Mansour et al [3] ont utilisé un modèle Az Accélérations sur la direction Z (m/s²)
multiplicatif pour prédire la rugosité de surface en fonction Fz Efforts de coupe sur la direction Z (N)
des paramètres de coupe et des vibrations de l’outil. Par Fobj Fonction objectif totale
ailleurs, la modélisation de la coupe peut être développée en f obj Fonction objectif partielle
utilisant des approches classiques telles que la régression α Facteurs de pondération
linéaire ou des méthodes basées sur l’intelligence artificielle. M Nombre de fonctions objectives
Ces dernières utilisent des approches non-conventionnelles m Indice de la fonction objective (m=1…M)
telles que les réseaux de neurones artificiels (ANN), la
n
n Nombres d’observation
i Indice pour l’observation (i=1...n) ∑ ( y − y ) i i
2

P Nombre da variables explicatives R2 = 1 − i =1


n
(2)
j
X
Indice de variable explicatives (j=1…p)
Valeur de la variable explicative ∑ ( y − y)
i =1
i
2

y Valeur de la variable dépendante


1 n
y
Estimation de Y avec : y= ∑ yi
n i =1
(3)

y Moyenne des variables dépendantes où n désigne le nombre d’observations.


β Paramètre de régression

2
R ajusté ( R ) : 2
εi Erreur du modèle C’est le coefficient de corrélation ajusté du modèle. Il
2
représente une correction du R qui permet de prendre en
compte le nombre de variables utilisées dans le modèle. Sa
valeur est définie par :
II. REGRESSION LINEAIRE MULTIPLE 2 = 1 − (1 − R 2 ) n − 1
R (4)
n − P −1
La régression linéaire multiple est une généralisation, à j
variables explicatives, de la régression linéaire simple. Etant • Analyse de la variance (ANOVA) :
donné un échantillon : ( yi , X i1 ,..., X ij ), i = 1,..., n nous
Le tableau d'analyse de la variance est un résultat qui permet
cherchons à expliquer, avec le plus de précision possible, les de voir si on peut considérer que les variables explicatives
valeurs prises par yi , à partir d'une série de variables sélectionnées et leurs éventuelles interactions apportent une
explicatives X ij (j=1,…,p). quantité d'information significative au modèle ou non. En
d'autres termes, c'est un moyen de tester si la moyenne de la
Le modèle théorique, formulé en termes de variables variable à modéliser suffirait à décrire les résultats obtenus ou
aléatoires, prend alors la forme: non.
p
yi = β 0 + ∑ β j X ij + ε i (1) • DDL est le nombre de degrés de liberté pour le modèle
j =1 retenu (correspondant à la partie erreur).
où ε i est l'erreur du modèle qui exprime, ou résume, • DDL Modèle P
l'information manquante dans la régression linéaire des • DDL Erreur n-p-1
• DDL Totale corrigé n-1
valeurs de yi à partir des X i1 ,..., X ij et β 0 ,..., β j sont les
paramètres à estimer.
_La somme des carrés corrigés SCE Totale (SS Total).
Une série de tests statistiques est menée pour juger de la n
qualité du modèle basée sur : SStotal = SS mod el + SSerreur = ∑ ( yi − y ) 2 (5)
– l’analyse globale du système ; i =1
– l’étude des coefficients du modèle ; • La somme des carrés corrigés SCE Model (SS Model) :
– l’analyse des résidus. n
SS mod el = ∑ ( y i − y )2 (6)
A. Analyse globale du système i =1
• La somme des carrés corrigés SCE Erreur (SS Erreur) :
L’objectif de l’analyse globale du système est de définir la n
qualité descriptive du modèle obtenu au moyen de l’analyse SSerreur = ∑ ( yi − y i ) 2 (7)
de la variance (ANOVA). i =1
• Le carré de l'écart moyen résiduel de l’erreur :
Pour qualifier ces modèles, plusieurs coefficients
d’ajustement doivent être préalablement définis [8,9]: n

2
∑ ( y
i =1
i − y)2
• R : MSerreur = (8)
C’est le coefficient de corrélation du modèle compris entre 0 p
et 1. Il s’interprète comme la proportion de la variabilité du • Le carré de l'écart moyen résiduel du model :
modèle. Plus le R 2 est proche de 1, meilleur est le modèle. n

2
L’inconvénient du R est qu’il ne prend pas en compte le ∑ ( y − y )
i =1
i i
2

nombre de variables utilisées pour ajuster le modèle. Sa valeur MS mod el = (9)


est définie par la relation suivante : n − p −1
• Test de Fisher : M
Le test de Fisher mesure le rapport entre la variance de la où les poids αm ≥ 0 sont tels que ∑α m =1.
variable dépendante expliquée et non expliquée par le modèle m =1
de régression. Les poids sont choisis en fonction de l’importance des
objectifs. La résolution du problème (11) consiste donc à
MS mod el résoudre le problème d’optimisation suivant :
F= (10)
MSerreur min Fobj . (12)

• Test de Student :
IV. PARTIE EXPERIMENTALE
La statistique t permet de tester l'hypothèse (nulle) selon
laquelle la valeur des coefficients de régression ne sont pas
A. Moyens d’essais
significativement différents de 0 (en d'autres termes, qu'il
existe bien une relation entre la variable dépendante et la
Les essais de chariotage ont été réalisés sur un tour SOMAB
variable indépendante en question). La valeur que doit
500 d’une puissance de 24kW et ayant une vitesse de rotation
atteindre le test de Student pour que l'on puisse rejeter
maximale de 2500 tr/min (fig. 1).
l'hypothèse nulle dépend du nombre d'observations et du
niveau de confiance recherché (de 90% à 99% en général). En
pratique, la valeur critique oscille le plus souvent autour de 2.

• P-Value :
P-Value donne la probabilité que le coefficient de la variable
soit égal à zéro compte tenu de la valeur du test de Student.

B. Etude des coefficients du modèle

Le processus de sélection commence par l’ajout de la


variable ayant la plus forte contribution au modèle (le critère
utilisé est la statistique t de Student). Si une seconde variable
est telle que la probabilité associée à t est inférieure à la «
Probabilité d’entrée», elle est ajoutée au modèle. Après
chaque ajout, on évalue pour toutes les variables présentes
dans le modèle quel serait l’impact de son retrait (toujours au
travers de la statistique t). Fig. 1. Tour SOMAB 500

Si la probabilité est supérieure à la « Probabilité pour le


retrait», la variable est retirée. La procédure se poursuit Le matériau choisi est l’acier 100C6. C’est un acier allié
jusqu’à ce que plus aucune variable ne puisse être ajoutée ou ayant une résistance d’environ 850 Mpa et une dureté de 217
retirée. HB.

C. Analyse des résidus. La géométrie de la plaquette est ISO CNMG 120408,


montée sur un outil ISO DCLN2525M12.
Cette analyse permet de visualiser les données à partir de la
droite de régression et des deux intervalles de confiance (le Pour mettre en œuvre notre programme d’optimisation et
plus proche de la courbe est l'intervalle autour de la moyenne choisir les conditions de coupe optimales, nous avons
de l’estimateur. S’il y a une tendance linéaire, alors toutes les sélectionné plusieurs paramètres à mesurer:
valeurs sont à l’intérieur de l’intervalle de confiance.
• L’état de surface : l’état de surface des pièces usinées
III. OPTIMISATION DES CONDITIONS DE COUPE : nous avons mesuré la rugosité de surface Ra en (um)
à l’aide d’un rugosimètre.
La deuxième étape de notre étude est de rechercher les
conditions de coupe optimales. Un modèle numérique basé • La productivité : le débit coupeaux Q (cm3/min) est
sur l’algorithme génétique d’optimisation (GAO) a été utilisé. calculé pour chaque essai ainsi que le temps
d’usinage T.
Comme nos modèles sont linéaires, le problème multi-
objectif est simplifié en mono-objectif par la méthode des Q = ap * f *Vc (13)
sommes pondérées [10,11]. Cette méthode consiste à ramener
le problème multi-critères au problème d’optimisation d’une
combinaison linéaire des objectifs initiaux : • Efforts de coupe : une table d’effort Kistler est
M installée pour mesurer les efforts de coupe selon les 3
Fobj (ap, f , Vc) = ∑ α m f ( obj ) m (ap, f , Vc) (11) directions : axiale (x), radiale (y) et tangentielle (z).
m =1
• Vibrations de l’outil de coupe : les signaux, Les valeurs des profondeurs de passe ap et des avances f et
provenant de l’accéléromètre tri-axial (4520) montés les vitesses de coupe Vc on été établies en accord avec
sur l’outil, sont recueillis à l’aide d’un multi- recommandations fournis par le constructeur d’outils de coupe
analyseur de type 3560 de Brüel et Kjær dans les SAFETY [12]. En fonction des niveaux de variation de
trois directions et enregistrés directement sur un PC. facteurs et afin de réduire la campagne expérimentale un plan
Le temps d’acquisition est lié à la vitesse de coupe factoriel à 36 essais a été définis (Table 1).
utilisée (entre 8s et 24s), la fréquence
d’échantillonnage est de 16384 Hz.
TABLE I
Les accélérations et les efforts de coupe sont plus importants VARIABLES DE COUPE
dans la direction tangentielle (z), d’où le choix de cette Variable So ap f Vc
direction pour notre analyse (Fig. 2). Valeur min (-1) 25 1 0,15 100
Valeur moy (0) 0,3 200
Valeur max (1) 33 1,5 0,45 300

Les données ont été réorganisées par bloc dans le but d’une
meilleure interprétation des résultats comme le montre les
tableaux (Table II, Q* indique que seul le débit copeaux Q a
été calculé avec la relation (14)).

TABLE II
DONNEES D’ENTREES/SORTIES
Fig. 2. Mouvement de coupe
So Ap f Vc Q* Ra Az Fz
25 1 0,15 100 15 0,484 122,87 547
25 1 0,15 200 30 0,457 247,4 480
25 1 0,15 300 45 0,511 808,01 455
B. Procédure expérimentale et stratégie :
25 1 0,3 100 30 1,793 441,49 904
25 1 0,3 200 60 2,049 471,48 820
Les paramètres de coupe choisis dans notre étude sont :
25 1 0,3 300 90 2,054 725,54 806
25 1 0,45 100 45 3,442 351,94 1159
• Profondeur de passe ap (mm) 25 1 0,45 200 90 3,652 558,53 1033
• Avance par tour f (mm) 25 1 0,45 300 135 3,988 823 994
• Vitesse de coupe Vc (m/min) 25 1,5 0,15 100 22,5 0,856 187,01 750
• Sortie d’outil de coupe So (%) 25 1,5 0,15 200 45 0,598 241,99 682
25 1,5 0,15 300 67,5 0,645 480,22 696
– Une sortie So de 25% de la longueur de l’outil soit 25 1,5 0,3 100 45 3,082 446,07 1250
(37.5 mm) 25 1,5 0,3 200 90 1,967 438,99 1145
– Une sortie So de 33% de la longueur de l’outil soit 25 1,5 0,3 300 135 2,516 658,49 1135
(50 mm) 25 1,5 0,45 100 67,5 4,864 427,75 1675
25 1,5 0,45 200 135 3,537 674,73 1645
25 1,5 0,45 300 202,5 4,466 1123,3 1650
Partie expérimentale 33 1 0,15 100 15 0,58 98,71 568
Entrées Sorties 33 1 0,15 200 30 0,438 240,32 495
• So *Q 33 1 0,15 300 45 0,555 808,43 498
• ap * Ra 33 1 0,3 100 30 1,923 214,5 916
• f * Az 33 1 0,3 200 60 1,892 336,53 856
• Vc * Fz 33 1 0,3 300 90 2,482 917,55 824
33 1 0,45 100 45 3,704 244,49 1169
33 1 0,45 200 90 3,822 329,87 1005
Modélisation des Sorties 33 1 0,45 300 135 4,739 984,61 1029
Régression Linéaire Multiple 33 1,5 0,15 100 22,5 0,825 79,55 762
• R² 33 1,5 0,15 200 45 0,551 294,05 767
• t- Student 33 1,5 0,15 300 67,5 1,592 614,34 710
• Analyse de la variance 33 1,5 0,3 100 45 2,596 222,41 1229
33 1,5 0,3 200 90 2,046 384,85 1204
33 1,5 0,3 300 135 2,658 685,98 1171
Optimisation des conditions de coupe 33 1,5 0,45 100 67,5 4,817 350,28 1670
• Algorithme génétique GOA 33 1,5 0,45 200 135 4,242 841,75 1669
• Somme pondérée 33 1,5 0,45 300 202,5 4,816 890,06 1572
V. MODELISATION DES DONNEES PAR REGRESSION Sur la Table V, P-Value inférieur à 0.001 signifie qu'il y a
LINEAIRE MULTIPLE : 0.1 chances sur 100 pour que la vraie valeur du coefficient de
f et de So*ap soit nulle, cela confirme la signification de
l’avance f et l’interaction (sortie outil So/ profondeur de passe
A. Modèle de rugosité de surface Ra : ap sur le modèle). Les autres termes sont donc non
significatifs.
L’état de surface en tournage de finition dépend
Les deux valeurs (inf 95%) et (sup 95%) donnent les bornes
principalement de l’avance f et du rayon de bec ( rε ). Le
de l'intervalle de confiance dans lequel se situe la vraie valeur
choix de l’outil et des conditions de coupe doit tenir compte
du coefficient en question compte tenu du niveau de confiance
de ces influences.
auquel on travaille.
Exemple pour l’avance f : (inf 95%) vaut 10.656 et (sup 95%)
La modélisation avec la régression linéaire a donnée le
vaut 12.675 signifie qu'il y a 95 % de chance que la vraie
modèle de Ra suivant :
valeur du coefficient en question se situe entre 10.656 et
12.675.
Ra = −2.0969 + 11.6658 × f + 0.0266 × So × ap (14)

2
Le R vaut 0.942 (coefficient de détermination) donne une
TABLE V
PARAMETRES DU MODELES
idée du pourcentage de variabilité de la rugosité de surface,
expliqué par les variables (ap, f, Vc). Plus ce coefficient est Source Valeur Ecart-type t P-Value inf(95%) sup(95%)
2
proche de 1, meilleur est le modèle, R vaut 94.2 pourcent
signifie que 94.2 pourcent des variations de la rugosité de surface cte -2,097 0,296 -7,085 < 0,0001 -2,699 -1,495
sont expliqués par le modèle de régression et que 5.8 pourcent restent
par conséquent inexpliqués. f 11,666 0,496 23,515 < 0,0001 10,656 12,675
(Table III).
So*Ap 0,027 0,007 3,883 0,000 0,013 0,041
TABLE III
COEFFICIENTS D'AJUSTEMENT (VARIABLE RA) :

Par ailleurs, les coefficients normalisés étudiés montrent que


Observations 36,000
le modèle avec deux termes (f, So*ap) est le plus approprié
Somme des poids 36,000 pour représenter les données expérimentales.
DDL 33,000
R² 0,945
La comparaison visuelle du diagramme en bâtons des
2
R 0,942 coefficients normalisés permet de voir les impacts relatifs des
paramètres de coupe sur le modèle, et de voir quels intervalles
de confiance comprennent la valeur 0 (Fig. 3).

Le test du F de Fisher est utilisé (Table IV). Etant donnée


que la probabilité associée au F est inférieur à 0.0001 Ra / Coefficients normalisés
(Prob>F), cela signifie que l'on prend un risque de 0.01 %, en (Int. de conf. 95%)
concluant que la variable explicative apporte une quantité 1,2
d'information significative au modèle.
Coefficients normalisés

1
f

F vaut 284 signifie que la part de la variance de la variable


dépendante expliquée par le modèle est 284 fois plus
0,8
importante que la part de la variance de la variable dépendante 0,6
qui reste inexpliquée.
So*Ap

0,4
Ap*Vc
So*Vc

0,2
Ap*f
So*f

f*Vc

TABLE IV
Ap

Vc
So

ANALYSE DE LA VARIANCE
0
Source DDL SCE SS F Prob > F
Variable
Modèle 2 75,493 37,747 284,006 < 0,0001
Erreur 33 4,386 0,133
Total corrigé 35 79,879 Fig. 3. Coefficients normalisés
L’analyse des résidus montre clairement qu’il y a une direction. Nous avons constaté une bonne corrélation entre ces
tendance linéaire car toutes les valeurs sont à l’intérieur de modèles et les données expérimentales.
l’intervalle de confiance.

B. Modèle des efforts de coupe Fz :


Préd(Ra) / Ra
5 L'équation du modèle est :
Fz = 260 − 405.79 × f + 2510.47 × ap × f − 1.35 × f × Vc
4 (15)
2
Le R vaut 0.989 ce qui montre une très bonne corrélation
3
entre le modèle et les données expérimentales. L’interaction
Ra (um)

ap*f est le facteur le plus influent sur les efforts de coupe.


L’analyse des résidus montre qu’il y a une tendance linéaire.
2
C. Modéle des accélérations RMS Az :
1
L'équation du modèle est :
Az = −34.17 + 1.39 × Vc + 4.15 × f × Vc (16)
0
0 1 2 3 4 5 2
Le R vaut 0.77 ce qui montre une corrélation suffisante
Préd Ra (um)
entre le modèle et les données expérimentales. L’interaction
f*Vc est le facteur le plus influent sur les vibrations suivie par
Fig. 4. Analyse des résidus le facteur Vc. L’analyse des résidus montre qu’il y a une
tendance linéaire.

6,000
Ra
Préd(Ra) D. Modèle de débit coupeaux Q :
5,000

4,000
Le débit copeaux Q est déterminé d’une façon analytique par
la relation (14). Ce modèle nous a permis de quantifier la
Ra (um)

3,000 productivité.

2,000

VI. OPTIMISATION DES CONDITIONS DE COUPE


1,000

0,000 Les différents objectifs envisagés sont :


1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
essais
• Réduire la rugosité de surface Ra, pour améliorer
Fig. 5. Ra expérimentale/théorique l’état de surface

• Augmenter le débit coupeaux Q, pour augmenter la


Les paramètres de coupe qui influent sur la rugosité de productivité
surface Ra sont : l’avance par tour et l’interaction profondeur
de passe ap / sortie d’outil So : • Réduire les efforts de coupe Fz
• l’augmentation de l’avance de 100 % implique une
augmentation de Ra de 100% (pour ap=1mm). • Réduire les accélérations Az
• l’augmentation de la profondeur de passe ap de
50%(ap=1.5 mm) implique une augmentation de Ra de
2% (dans ce cas la vitesse de coupe n’est pas un facteur
influent sur la rugosité de surface). La fonction objectif est :

Nous constatons que l’augmentation de la sortie d’outil So


combinée avec la profondeur de passe ap a une influence sur  Q  Ra Az Fz 
Fobj (ap, f ,Vc) = 1 − α Q  + α Ra + α Az + α Fz 
la rugosité de surface.  Qmax  Ramax Az max Fz max 

(17)
De la même façon que pour Ra, nous avons modélisé les
efforts de coupe et les vibrations de l’outil. Les efforts de où α Q , α Ra , α Fz , α Az sont des facteurs de pondération qui
coupe et les vibrations sont plus importants sur la direction permettent de choisir les poids des objectifs en fonction de la
tangentielle (Z) qui est la direction de coupe, d’où le choix configuration recherchée.
d’étudier les efforts de coupe et les vibrations dans cette
TABLE VII VII. CONCLUSION
OPTIMISATION DES PARAMETRES DE COUPE

Ap f Vc So Ra Q Az Fz La modélisation par régression linéaire multiple nous a


Poids α permis de déterminer l’influence des paramètres de coupe
Cas n°1 optimisation avec une productivité max (profondeur de passe, avance par tour, vitesse de coupe et
sortie d’outil sur, l’état de surface usinée, les efforts de coupe
α Ra=0 1,37 0,43 295 27,5 3,95 175 908 378 et les vibrations d’outil. Un test « t student » a été appliqué
α Az=0 pour trouver les paramètres les plus significatifs, ainsi, des
α Fz=0 modèles mathématiques ont été développés. La validité de ces
modèles est testée par une analyse de la variance.
α Q=1 Finalement, une optimisation par méthode combinée de
Cas n°2 optimisation avec un meilleur etat de surface somme pondérée et algorithme génétique d’optimisation nous
α Ra=1 1,03 0,15 102 29,5 0,54 16 175 583 a permis de choisir les meilleurs jeux de paramètres de coupe
α Az=0 Cette étude va ainsi permettre de choisir les conditions de
coupe optimale en fonction de l’importance des critères de
α Fz=0 sélection définis par l’utilisateur entre état de surface,
α Q=0 productivité, durée de vie ou stabilité de l’usinage.
Cas n°3 optimisation avec une productivité max + meilleur état de
surface
α Ra=0,5 1,47 0,17 273 26,5 1,03 72 550 784
α Az=0
α Fz=0
α Q=0,5
Cas n°4 optimisation avec une productivité max+ meilleur état de
surface + faible efforts de coupe + faible vibration

α Ra=0,25 1,39 0,15 254 27 0,72 55 483 687


α Az=0,25
α Fz=0,25 REFERENCES
α Q=0,25
[1] S.K. Choudhury et P. Srinivas. Tool wear prediction in turning.
Journal of Materials Processing Technology, vol. 153-154,pp. 276-280, 2004.
[2] J.T Horng, J Tsong, N Liu et K Chiang. Investigating the machinability
4 configurations ont été étudiées (TableVII) : evaluation of hadfield steel in the hard turning with al2o3/tic mixed ceramic
• Cas 1 : α Q=1, les autres facteurs de pondération sont tool based on the response surface methodology. Journal of materials
processing technology, vol.208,pp. 532-541, 2008.
nuls. Cette configuration peut être utilisée en tournage [3] A.Mansour et H abdalla. Surface roughness prediction based on cutting
d’ébauche qui permet d’augmenter la productivité parameters and tool vibrations in turning operations. Journal of materials
(Q=175 cm3/min) mais en contre partie on perd la qualité processing technology,vol. 124, pp. 183-191, 2002.
de surface (Ra=3.95 um). [4] V. Balasubramanian et A. K. Lakshminarayanan. Comparison of
rsm with ann in predicting tensile strength of friction stir welded aa7039
aluminium alloy joints. Science Press China, vol. 19,pp. 9-18, 2009.
• Cas 2 : α Ra=1, les autres facteurs de pondération sont [5] S Sharif, Z. Azlan Mohd et H. Habibollah. Prediction of surface roughness
nuls. Cette configuration est conseillée pour un usinage in the end milling machining using artificial neural network. Expert Systems
en finition, un meilleur état de surface (Ra=0.54 um) mais with Applications,vol. 37,pp. 1755-1768, 2010.
[6] A.D. Sahasrabudhe, K.A. Risbood et U.S. Dixit. Prediction of surface
avec une faible productivité (Q=16.7 cm3/min). roughness and dimensional deviation by measuring cutting forces and
vibrations in turning process. Journal of Materials Processing Technology,
• Cas 3 : α Ra= 0.5et α Q=0.5, les deux autres facteurs vol.132 ,pp. 203-214, 2003.
de pondération sont nuls. Cette configuration est un [7] J.Goupy. Pratiquer les plan d’expériences,Dunod, Paris, 2005.
[8] R.Tomassone, S. Audrain., E. Lesquoy. et C Miller. La Régression,
compromis entre l’état de surface (Ra=1.03 um) et la Nouveaux Regards sur une Ancienne Méthode Statistique. INRA et
productivité (Q=72.42 cm3/min). MASSON, Paris. (1992).
[9]J. D. Jobson. Applied Multivariate Data Analysis: Volume 1: Regression
• Cas 4 : α Ra=0.25, α Q=0.25, α Fz=0.25 et α Az=0.25. and Experimental Design. Springer Verlag, New York. (1999).
[10] V. Chankong et Y.Y. Haimes. Multiobjective Decision Making Theory
Cette configuration est une combinaison entre les 4 and MEthodology. North-Holland, New York, 1983.
fonctions objectifs, en plus de l’état de surface et la [11] K. Miettinen. Nonlinear Multiobjective Optimization. Kluwer, Boston,
productivité, un contrôle de niveau d’efforts et de 1999.
vibrations est mis en œuvre. [12] SAFETY. Turning Catalog Valenite Safety, TURN-CAT, 2007.

View publication stats

Vous aimerez peut-être aussi