Académique Documents
Professionnel Documents
Culture Documents
net/publication/257298002
CITATIONS READS
5 6,524
3 authors:
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:
All content following this page was uploaded by Roger Serra on 04 June 2014.
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
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
• 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.
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) :
1
f
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.
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