Contribution au pronostic de la qualité d’un produit usiné par la proposition d’un modèle basé sur l’apprentissage machine
Bibliographic record
Abstract
La présente thèse est une contribution à la surveillance et au pronostic d’un produit usiné à l’aide d’une approche basée sur l’apprentissage machine utilisant une architecture de type autoencodeur variationnel. Encore aujourd’hui, les entreprises manufacturières sont toujours en proie à plusieurs pressions telles que la globalisation des marchés, les demandes constantes de réduction des coûts ou encore les requis qualité toujours plus exigeants. Pour faire suite à cette dernière, l’objectif de cette thèse est donc de démontrer la possibilité de développer un système de mesure alternatif permettant de réaliser le pronostic de la qualité d’un produit usiné, et ce, en temps réel. Dans cette optique, notre première contribution a été de proposer un descripteur basé sur le concept d’énergie spécifique de coupe. Celui-ci est défini comme étant la quantité d’énergie nécessaire à l’enlèvement de 1 cm3 de matériau. Il a été démontré que ce descripteur est fortement corrélé à l’usure d’un outil de coupe (r > 90%). Nous avons également montré que ce descripteur a un apport considérable (14.7%) lors du processus d’apprentissage dans un contexte d’apprentissage supervisé. Une autre contribution de ces travaux relève de notre proposition d’un modèle capable de réaliser le pronostic de la qualité d’un produit usiné. Ce modèle est basé sur un réseau de neurones de type autoencodeur variationnel. Le modèle est capable de réaliser le pronostic de la qualité avec une erreur quadratique moyenne de 5.257 X 10‾⁴ mm. L’espace latent de deux dimensions généré par le modèle illustre également une distribution visuelle des données en fonction du niveau de la qualité. En nous basant sur cet espace latent et le concept de distance euclidienne, nous avons aussi proposé une nouvelle métrique permettant de rapidement quantifier le niveau de qualité. Cette métrique est corrélée avec les valeurs observées (r ≈ 94%) et avec les valeurs prédites de la qualité (r ≈ 67%). Cet espace latent fournit donc un outil simple et visuel pour suivre l’évolution du processus d’usinage. Ces travaux ont été réalisés en partenariat avec un industriel : APN Inc. (Québec, Canada). Ce faisant, les résultats de cette thèse sont majoritairement fondés sur un jeu de données acquis chez celui-ci représentant plus de 600 heures de production régulière. Ceci facilite donc le potentiel de transfert technologique vers l’industrie et ainsi permettre à ces entreprises de mieux réaliser la surveillance et le pronostic de la qualité de leurs processus d’usinage. De plus, cela ouvre la porte à la possibilité d’implanter et d’utiliser un système de mesure alternatif en entreprise.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".