Vendredi 20 octobre 2023, 10 h, Mme Mouna Hammouda soutiendra à ISAE‑Supméca ses travaux de thèse intitulés Détection automatique des défauts du marbre en vue de reconfigurer des machines-outils à commande numérique, dirigés par M. Jean-Luc DION (ISAE‑Supméca, Quartz), codirigés par M. Noureddine BEN YAHIA (École Nationale Supérieure d’Ingénieurs de Tunis) et encadrés par M. Martin Ghienne (ISAE‑Supméca, Quartz).
Mots clés
# défauts du perçage des marbres
# traitement d’image
# traitement de signal
# classification automatique des plaques
# détection des fissures
# réseaux de neurones artificiels
Résumé
L’usinage du marbre est considéré comme une problématique industrielle vu qu’il s’agit d’un matériau très fragile et hétérogène. En effet, lors de l’usinage d’une plaque, une fissure peut se propager, rendant la plaque défectueuse. Dans ce contexte, on cherche à optimiser les paramètres d’usinage de la machine pour éviter l’endommagement du marbre et donc le rejet de la plaque. Dans un premier pas, une classification automatique des plaques de marbres en deux classes (fissurée et non fissurée) est réalisée en se basant sur des méthodes vibratoires. Une classification k-means des paramètres modaux des plaques sollicitées par un marteau de choc nous a amené à distinguer si une plaque est fragilisée par une fissure ou si la plaque est intacte. Pour développer ce résultat, la localisation de la fissure est déterminée pour la classe des plaques endommagées à travers d’une détection des discontinuités de la fissure par des outils de traitement d’image classiques. Pour des textures de marbres unies, l’emplacement de la fissure est identifié par plusieurs outils statistiques de premier ordre, de deuxième ordre et d’ordre supérieur et également par des outils spectraux. Toutefois, on a constaté que le filtre de Canny, l’outil motifs locaux binaires et le filtre de Gabor sont plus prometteurs que les autres outils vu qu’ils sont plus rapides et plus précis. Pour les textures de marbres moyennement chargées et fortement chargées, l’application de chaque outil indépendamment détecte la fissure ainsi que les nervures présentes dans la texture. Alors que l’intersection des outils (Canny, motifs locaux binaires et filtre de Gabor) détecte séparément la fissure. Par conséquent, la classe de la plaque et l’emplacement de la fissure sont très déterminants pour les marbriers pour éviter les zones faibles lors d’usinage et pour estimer les bonnes conditions de coupe. En vue d’optimiser les paramètres de la machine d’usinage des marbres, une étude de cas de perçage du marbre Blanc de Carrare est menée par un outil non conventionnel, le jet d’eau abrasif. L’objectif de cet étude de cas est d’étudier les défauts macroscopiques qui apparaissent lors de perçage du marbre. Puis, une prédiction de la relation entre les défauts de perçage {la rugosité, l’angle de dépouille et les tolérances géométriques (la cylindricité, la circularité et l’erreur de localisation)} et les paramètres de la machine d’usinage {la pression du jet, la distance de tir, le débit massique d’abrasif, le diamètre du trou et la vitesse d’avance du jet} est faite à l’aide de la régression linéaire et les réseaux neurones artificiels. La régression linéaire est insuffisante pour expliquer la non-linéarité entre les paramètres du jet et les défauts de perçage du marbre ce qui justifie le passage aux réseaux de neurones artificiels qui ont donné une prédiction précise de ces lois cherchés. A la suite, une extraction de ces équations qui convertissent la relation entre chaque défaut et les paramètres d’usinage a été réalisée. Enfin, une optimisation des paramètres de coupe est assumée à l’aide d’un algorithme génétique multi-objectif qui admet comme contraintes les marges de variation pour chaque condition de coupe et qui sert à optimiser la loi entre ces défauts et les conditions de coupe donné par le RNA.
Title
Automatic detection of marble defects to reconfigure CNC machine tools
Keywords
# marble drilling defects
# mage processing
# signal processing
# automatic slab classification
# crack detection
# artificial neural networks
Abstract
Marble machining is considered an industrial problem, as it is a very brittle and heterogeneous material. Indeed, when machining a marble slab, a crack can propagate, making the slab defective. In this context, the objective is to optimize the machine’s machining parameters to avoid marble damage and, consequently, plate rejection. As a first step, an automatic classification of marble slabs into two classes (cracked and non-cracked) is carried out based on vibration methods. A k-means classification of the modal parameters of plates loaded by an impact hammer is used to distinguish whether a plate is weakened by a crack or remains intact. To develop this result, the localization of the crack is determined for the class of damaged plates through the detection of crack discontinuities by classical image processing tools. For smooth marble textures, crack localization is identified by several first-order, second order and higher-order statistical tools and by spectral tools. However, we have found that the Canny filter, the binary local pattern tool, and the Gabor filter are more promising than the other tools, as they are faster and more accurate. For moderately and heavily charged marble textures, the application of each tool independently detects the crack as well as the nervures present in the texture. Whereas the intersection of the tools (Canny, binary local patterns, and Gabor filter) detects the crack separately. Consequently, the class of the slab and the position of the crack are very decisive for marble workers to avoid weak zones during machining and to estimate the correct cutting conditions. To optimize marble machine parameters, a case study of white Carrara marble drilling was carried out using an unconventional tool, the abrasive water jet. The aim of this case study is to investigate the macroscopic defects that appear when drilling marble. Then, a prediction of the relationship between drilling defects {roughness, taper angle, and geometric tolerances (cylindricity, circularity and localization error)} and machining machine parameters {jet pressure, stand-off distance, abrasive flow rate, hole diameter and traverse speed} is made using linear regression and artificial neural networks. Linear regression was insufficient to explain the non-linearity between jet parameters and marble drilling defects, so we moved to artificial neural networks, which produced an accurate prediction of the desired relationships. These equations, which convert the relationship between each defect and the machining parameters, were then extracted. Finally, cutting parameters were optimized using a multi-objective genetic algorithm that takes as constraints the margins of variation for each cutting condition and the optimized relationship between these defects and the cutting conditions given by the RNA.
