Analyse spectrale singulière des signaux vibratoires et Machine Learning pour la surveillance d'usure d'outils

Singular spectrum analysis and Machine Learning techniques for tool wear monitoring

Service de génie mécanique, Faculté Polytechnique de Mons, 53 rue du Joncquois, 7000 Mons, Belgique

Auteur de correspondance : bovic.kilundu@student.fpms.ac.be

Reçu : 19 Novembre 2006
Accepté : 25 Mai 2007

Résumé

Cette étude explore l'utilisation des techniques de Machine Learning pour la classification de l'état d'outils en usinage. Une analyse spectrale singulière (ASS) pseudo-locale des signaux vibratoires relevés sur le porte-outil, couplée à un filtrage passe-bande a permis la définition et la mise en évidence d'indicateurs très sensibles à l'évolution de l'état de l'outil. Ces indicateurs sont définis à partir des sommes des raies spectrales des signaux reconstruits par ASS et de leurs résidus, dans des gammes de fréquence judicieusement choisies. Les taux de reconnaissance de l'usure sont très bons et dépassent les 80 %. Cette étude met en évidence deux aspects importants : la forte richesse en information des composantes hautes fréquences des signaux vibratoires et la possibilité de s'affranchir du bruit inutile par la combinaison de l'ASS et d'un filtrage passe-bande.

Abstract

This study explores the use of Machine Learning techniques for tool condition monitoring in metal machining. Pseudo-local Singular Spectrum Analysis (SSA) of vibration signals raised on the tool holder, coupled to a pass-band filter allowed the definition and the extraction of features which are very sensitive to the tool wear. These features are defined from sums of Fourier coefficients of the signals reconstructed by SSA and of their residues, in judiciously selected frequency bands. The rates of recognition of wear are very good and exceed 80%. This study highlights two important aspects: strong relevance of information in high frequency vibration components and benefits of the combination of SSA and pass-band filtering to get rid of useless components (noise).