Modélisation des connaissances pour l optimisation des systèmes d usinage intelligents

La recherche sur les systèmes d'usinage intelligents (SUI) porte la promesse de rendre la production d'une pièce usinée adaptable rapidement au changement soudain des spécifications géométriques, sans repasser par une phase d'industrialisation. Nous proposons une architecture informatique pour le SUI qui contribue à rendre possible cette promesse, en utilisant une modélisation des connaissances basée sur les normes du domaine de l'usinage et de l'optimisation avec incertitudes. Tout d'abord un état de l'art est réalisé, avec le recensement des travaux précédents , la définition des concepts importants comme l'agilite des systèmes d'usinage et l'optimisation avec incertitudes, et l'étude des normes STEP et UML pour la modélisation des connaissances. Ensuite une architecture informatique est proposée, qui fait le lien entre un plan de fabrication, les données sur les moyens de fabrication et un problème d'optimisation, à l'aide d'un modèle de données de liaison. De plus, un algorithme évolutionnaire appelé Robust Evolutionary Algorithm (REA) est conçu et ajouté à l'architecture, pour la résolution des problèmes d'optimisation non linéaire avec incertitudes. L'architecture est ensuite appliquée à l'optimisation du plan de fabrication d'une pièce de tournage. Les limites des modèles de données du plan de fabrication et du problème d'optimisation conduisent à revoir l'architecture et ajouter deux modèles de données pour la liaison entre le plan de fabrication et le problème d'optimisation, System Operation simulation Model (SOM) et Optimization under Uncertainty Model (OUM). Le modèle SOM permet de représenter les propriétés opérationnelles d'un système d'usinage sous forme de noeuds, et le modèle OUM permet de représenter un problème d'optimisation non linéaire avec incertitudes. La nouvelle architecture contribue à l'implémentation d'un système d'usinage intelligent. Des études seront nécessaires pour capturer les relations de dépendance des modèles d'usinage expérimentaux à différentes propriétés du système d'usinage, avec des évolutions de l'architecture proposée.Research on Intelligent machining systems has the potential to make production of machined parts easily adaptive to changes in the part geometry specification, and to skip the industrialization step. The work presented here fosters the realization of this potential, by using standard data models of the field and optimization under uncertainty. First a bibliography is made to keep track of previous efforts related to intelligent manufacturing systems, optimization under uncertainty, and manufacturing and optimization knowledge representation. Important concepts like Manufacturing system agility, and optimization under uncertainty were defined, and the standards STEP and UML for knowledge representation and system modeling were studied. Then an information system architecture is proposed, to link manufacturing knowledge and optimization problem knowledge, using a new data model. An evolutionary algorithm called Robust Evolutionary Algorithm (REA) is designed and added to the architecture for solving non linear optimization under uncertainty. The architecture is then applied to the process plan optimization of a turning part. Some drawbacks of the architecture are discovered during the implementation, thus leading to an evolution. Two new data models are introduced, the System Operation simulation Model (SOM) and the Optimization under Uncertainty Model (OUM). The SOM data model is a proposal for the representation of manufacturing system operational properties, and the OUM data model is a proposal for the representation of a non linear optimization problem with uncertainties. The second version of the architecture is a solid base for the software implementation of an intelligent machining system. Some further studies are necessary to capture of the dependency relations between experimental machining models and operational properties of a machining system.DIJON-BU Sciences Economie (212312102) / SudocSudocFranceF