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

Surface roughness prediction in milling of aluminum alloys: an integrated model

Mathematics, Computer and Engineering Department, University of Quebec at Rimouski, Rimouski, QC, Canada, G5L 3A1
e-mail: Abderrazak_elouafi@uqar.cc

Reçu : 1 Décembre 2010
Accepté : 9 Novembre 2011

Résumé

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.

Abstract

This paper presents a comprehensive and structured approach designed to develop an integrated global model able to predict surface quality in milling process for several aluminium alloys with varied structure and mechanical properties. The proposed approach is built progressively by examining, through a structured experimental design, the effect of cutting parameters and dynamic process conditions known to have influence on the surface quality from various aspects, then by analysing their interactions and their sensitivity to the dynamic conditions of the process. Following this analysis and by combining an efficient experimental design, neural networks paradigm, a multi-criteria optimization and various statistical tools, the identification of the model form and the variables to be included in the model, is achieved by executing a systematic model optimization procedure. The results demonstrate that the proposed approach can lead to a general model able to accurately and reliably predict surface quality for several aluminium alloys in various machining conditions.