ACIMO: Analyse acoustique intelligente de la machine

Le projet Innosuisse ACIMO porte sur la mise au point d’une méthode de diagnostic des outils d’usinage. L’objectif est de réduire les interruptions de processus et les couts totaux par pièce fabriquée.

Fiche signalétique

  • Département(s) responsable(s) Technique et informatique
  • Institut Institut de systèmes industriels intelligents
  • Unité de recherche I3S / Prozessoptimierung in der Fertigung
  • Organisation d'encouragement Innosuisse
  • Durée (prévue) 13.06.2022 - 13.03.2024
  • Responsable du projet Prof. Dr. Axel Fuerst
  • Direction du projet Simon Walther
  • Équipe du projet Simon Walther
    Severin Nathanael Herren
  • Partenaire Maillefer Instruments
    Tornos SA
    Utilis
    Association de Recherche Communautaire des moyens de production Microtechniques (ARCM)
    Haute Ecole Arc Ingénierie
  • Mots-clés Condition Monitoring, Hybrid Machine Learning, Smart Sensors, Tool Wear

Situation

Les outils dont on se sert pour la fabrication de pièces s’usent au fur et à mesure de leur usage en fonction des conditions d’utilisation et d’environnement. Un outil présentant une usure excessive – parce qu’il n’a pas été remplacé à temps – peut engendrer une finition superficielle insuffisante ou un dimensionnement incorrect de la pièce fabriquée. En revanche, un remplacement prématuré de l’outillage se traduit par des couts plus élevés et davantage d’interruptions des processus.

teaser-acim

Approche

Le concept ACIMO prévoit des mesures sur les outils pendant le processus de fabrication ainsi que la lecture des paramètres du processus. Les critères de qualité éprouvés des pièces fabriquées tels que l’état de surface et la précision dimensionnelle servent de référence pour déterminer l’usure des outils.

Sur la base des données obtenues par mesures, un modèle est ensuite créé par apprentissage automatique ; celui-ci doit permettre de déterminer l’état d’usure des outils.

La BFH est responsable du développement de la stratégie de mesure et du modèle hybride d’apprentissage automatique. À cet égard, elle se sert des données générées, du savoir physique, des données collectées au cours des processus et des critères de qualité des pièces usinées pour développer un modèle de diagnostic.

Le projet est dirigé par la Haute Ecole Arc Ingénierie.