Hostname: page-component-76fb5796d-r6qrq Total loading time: 0 Render date: 2024-04-28T06:10:57.745Z Has data issue: false hasContentIssue false

Un modèle intégré pour la prédiction de l’état de surface en fraisage pour alliages d’aluminium*

Published online by Cambridge University Press:  23 December 2011

Get access

Abstract

Cet article propose une approche structurée permettant l’élaboration d’un modèle général et intégré capable de prédire avec une précision convenable l’état de surface obtenue par fraisage sur des pièces en alliages d’aluminium de structure et de propriétés mécaniques variées. L’approche proposée est construite progressivement en commençant par analyser, à travers un design expérimental structuré, les effets de l’ensemble des facteurs connus pour avoir une influence sur la qualité de la surface pour ensuite examiner leurs interactions et leur sensibilité face aux conditions dynamiques du procédé. Suite à cette analyse et en combinant, design d’expériences, réseaux de neurones, optimisation multicritère et divers outils statistiques, l’identification de la nature et de la forme du modèle ainsi que du type et du nombre de variables à y inclure, est obtenue en exécutant une procédure systématique d’optimisation de modèle. Les résultats démontrent que l’approche proposée a permis de converger vers un modèle général capable de prédire l’état de surface avec précision, fiabilité et robustesse pour des alliages d’aluminium de structure et de propriétés mécaniques variées et une gamme étendue de conditions d’usinage.

Type
Research Article
Copyright
© EDP Sciences, 2011

Access options

Get access to the full version of this content by using one of the access options below. (Log in options will check for institutional or personal access. Content may require purchase if you do not have access.)

References

Références

Watanabe, T., Iwai, S., J. Dyn. Sys. Meas. Control 105 (1983) 192-200
Fuh, K.H., Wu, C.F., Int. J. Mach. Tools Manuf. 35 (1995) 1187-1200
Dae, K.B., Tae, J.K., Hee, S.K., Precis. Eng. 20 (1997) 171-178
Tlusty, J., Andrews, G.C., CIRP Ann. 32 (1983) 563-572
Lundholm, T., Yngen, M., Lindstrom, B., Robot. Comput. Integr. Manuf. 4 (1988) 413-421
Benardos, P.G., Vosniakos, G.-C., Int. J. Mach. Tools Manuf. 43 (2003) 833-844
Benardos, P.G., Vosniakos, G.-C., Robot. Comput. Integra. Manuf. 18 (2002) 343-354
Huang, B., Chen, J.C., Int. J. Adv. Manuf. Technol. 21 (2003) 339-347
D. Villasenor, R. Morales-Menéndez, C. Rodrıguez, J.R. Alique, Neural networks and Statistical Based models for Surface Roughness Prediction, Proceedings of the 25th IASTED International Conference, Modeling, Identification, and control, Lanzarote, Canary Islands, Spain, 2006, pp. 326-331
Lou, S.J., Chen, J.C., Int. J. Adv. Manuf. Technol. 15 (1999) 200-209
Chen, J.C., Savage, M., Int. J. Adv. Manuf. Technol. 9 (2001) 670-676
Tsai, Y.H., Chen, J.C., Lou, S.J., Int. J. Mach. Tools Manuf. 39 (1999) 583-605
Grabec, I., Kuljanic, E., CIRP Ann. 43 (1994) 77-80
Liang, S.Y., Hecker, R.L., Landers, R.G., J. Manuf. Sci. Eng. 126 (2004) 297-311
Chung, K.T., Geddam, A., J. Mater. Proc. Technol. 139 (2003) 15-20
Okafor, A.C., Adetona, O., J. Intell. Manuf. 6 (1995) 389-400
Lo, M.S., Chen, J.C., Li, C.M., J. Industrial Technol. 15 (1998) 1-6
Wang, M.Y., Chang, H.Y., Int. J. Mach. Tools Manuf. 44 (2004) 51-57
Öktem, H., Erzurumlu, T., Kurtaran, H., J. Mater. Proc. Technol. 170 (2005) 11-16
Lo, S.P., J. Mater. Proc. Technol. 142 (2003) 665-675
G.E.P. Box, W.G. Hunter, J.S. Hunter, Statistics for Experimenters, Wiley & Sons, 1978
P.J. Ross, Taguchi techniques for quality engineering, McGraw-Hill, New York, 1988