Modèles hybrides IA pour améliorer l’usinage de l’alliage 2017A

 

Une intégration des modèles hybrides PSO-ANN et ANFIS pour prédire la qualité de surface, le coût et l'énergie (QCE) lors du fraisage de l'alliage 2017A

 DOI: https://doi.org/10.1016/j.jer.2023.09.016

 

Introduction

L’usinage des alliages d’aluminium comme le 2017A pose des défis de plus en plus critiques : comment garantir une qualité de surface élevée tout en minimisant le coût & la consommation énergétique ? Les avancées en intelligence artificielle permettent aujourd’hui de répondre à ces enjeux.

Méthodologie

• Modèles utilisés :

  • PSO-ANN (Particle Swarm Optimization + Artificial Neural Network)

  • ANFIS (Adaptive Neuro-Fuzzy Inference System)

• Approche complémentaire : 

  optimisation multi-critères avec Grey Relational Analysis (GRA) pour équilibrer les paramètres qualité-coût-énergie.

• Variables d’entrée : 

  vitesse de coupe ($V_c$), avance par dent/frein (feed rate: $f$), profondeur de passe ($a_p$

• Sorties évaluées :

  • Ra : rugosité de surface (qualité)

  • $C_{\text{tot}}$ : coût total

  • $E_{\text{tot}}$ : énergie totale consommée

 Résultats clés

• Le modèle hybride PSO-ANN obtient des coefficients de détermination $R$ supérieurs à 0,97 pour toutes les variables de sortie.

• Améliorations du Mean Square Error (MSE) par rapport à ANFIS :

  • Énergie ($E_{\text{tot}}$) : +99,84 %

  • Coût ($C_{\text{tot}}$) : +99,87 %

  • Qualité de surface (Ra) : +97,62 %

• Impact fort des stratégies d’usinage et de la séquence d’usinage sur la consommation énergétique. Une variation pouvant atteindre 99,25 % entre cas optimaux et non optimaux.

Implications et applications

• Meilleure productivité et réduction des coûts dans l’industrie mécanique, grâce à des choix optimisés de paramètres d’usinage.

• Contribution à la durabilité environnementale, par la diminution de la consommation énergétique liée aux machines-outils CNC.

• Outil potentiel pour les ingénieurs et techniciens : un simulateur permettant de prédire la qualité, le coût et l’énergie selon les entrées (vitesse, avance, profondeur)

Conclusion

Ce travail prouve que le modèle hybride PSO-ANN surpasse l’ANFIS pour la prédiction multi-critères (qualité, coût, énergie) dans l’usinage des alliages 2017A. Adopter ce type d’approche permet non seulement d’optimiser les performances techniques, mais aussi de réaliser des économies économiques et énergétiques substantielles.

Mots-clés

• Usinage alliage 2017A

• PSO-ANN

• ANFIS

• Qualité de surface

• Coût d’usinage

• Consommation énergétique

• Modélisation IA

• Optimisation multi-critères