Vers la métrologie en ligne pour un contrôle qualité proactif dans la fabrication intelligente

Dans l’industrie de fabrication traditionnelle, la métrologie est un élément essentiel de sanction de la qualité en bout de la chaîne de production. L’innovant dans le concept de la fabrication intelligente conduit à un repositionnement de la métrologie qui devient proactive au cœur même de la production pour fabriquer dès le départ une première pièce conforme. L’objet de cette thèse est donc de proposer une approche méthodologique pour le développement d'un système proactif, augmenté par des modèles d’intelligence artificielle IA, de contrôle en usinage de la conformité d’un produit à un cahier des charges et de caractériser ses défauts. Pour cela, une première étude sur l’aspect de surface a été réalisée en recueillant des images à haute résolution de fils de cuivre revêtus et découpés pouvant présenter des défauts. Les images, prises par un système de vision par ordinateur basé sur l'imagerie confocale chromatique, ont été utilisées pour générer différents modèles d'intelligence artificielle. Ce traitement consiste à faire de la segmentation et de la classification des défauts observés. En comparant la précision et le temps de traitement des modèles d'IA, l'apprentissage par transfert utilisant le modèle de mobile-net a montré de meilleures performances. Afin d'élargir l'étude de l'évaluation de la qualité de surface, des mesures de profil de surface sur machine-outil ont été effectuées à l'aide de capteurs confocaux chromatiques sans contact. Deux approches ont été réalisées : i) le fraisage de l'aluminium sans signature d’usure d’outil de coupe et ii) le fraisage du titane en tenant compte de la signature de l'usure de l'outil de coupe. Dans les deux configurations de coupe, les paramètres d’usinage, les profils de rugosité de surface et les efforts d’enlèvement de matière ont été enregistrés pour construire une base de données pour l'entraînement des modèles de prédiction par apprentissage automatique. Les résultats ont montré que le modèle XGboost a présenté la meilleure performance de prédiction et ce pour les deux scénarios. En considérant le temps de coupe dans le fraisage du titane, le modèle de prévision de séries temporelles ARIMA a été appliqué pour suivre l'évolution de la rugosité en fonction de l'usure de l'outil. L’analyse moyenne mobile autorégressive intégrée a permis de suivre l’évolution de la rugosité en fonction de la signature d’usure.In the traditional manufacturing industry, metrology is an essential element in sanctioning quality at the end of the production line. The innovation brought by concept of smart manufacturing leads to a repositioning of metrology to be proactive at the heart of production by performing the so-called first-time-right manufacturing of parts. The goal of this thesis is therefore to propose a methodological approach for the development of a proactive system, enhanced by AI models, to control the conformity of a product to a specification during machining and to characterize its defects. For this purpose, a first study on the surface aspect was carried out by collecting high-resolution images of coated and cut copper wires that may present defects. The images, taken by a computer vision system based on chromatic confocal imaging, were used to generate different artificial intelligence models. These models can perform segmentation and classification of observed defects. When comparing the accuracy and processing time of the AI models, transfer learning using the mobile-net model showed better performance. To extend the study of surface quality assessment, surface profile measurements on machine tools were performed using non-contact chromatic confocal sensors. Two approaches were performed: i) milling aluminum without tool wear signature, and ii) milling titanium with tool wear signature. In both cutting configurations, machining parameters, surface roughness profiles, and cutting forces were measured to build a dataset for training the prediction models by machine learning. The results showed that the XGboost model presented the best prediction performance and for both scenarios i) and ii). By considering the cutting time in titanium milling, the autoregressive integrated moving average time series prediction model was applied to track the evolution of roughness with tool wear