Préface:

Ces dernières années, la fusion de l’apprentissage automatique et de l’intelligence artificielle (IA) avec les machines-outils à commande numérique par ordinateur (CNC) a révolutionné le paysage manufacturier. Cette fusion de technologies de pointe a ouvert des possibilités sans précédent, améliorant l'efficacité, la précision et l'adaptabilité des processus de fabrication.

Cette revue explore l'intersection dynamique de l'apprentissage automatique, de l'IA et des machines-outils CNC, explorant la relation synergique entre ces domaines et leur impact transformateur sur la fabrication moderne. De la maintenance prédictive et du contrôle adaptatif à l'optimisation des processus et à la détection des défauts, les applications de l'IA et de l'apprentissage automatique dans l'usinage CNC sont diverses et profondes.

Alors que nous nous lançons dans cette exploration, il est essentiel de reconnaître les contributions des chercheurs, des ingénieurs et des innovateurs qui ont inlassablement repoussé les limites de la technologie, ouvrant la voie à des avancées révolutionnaires dans le domaine de la fabrication. Leur dévouement et leur ingéniosité nous ont propulsés dans une ère où les machines ne sont pas de simples outils mais des collaborateurs intelligents, capables d'apprendre, de s'adapter et d'évoluer.

Cette revue vise à fournir un aperçu complet de l’état de l’art actuel, mettant en lumière les tendances émergentes, les défis et les orientations futures dans le domaine de l’IA et de l’apprentissage automatique dans les machines-outils CNC. Que vous soyez un professionnel chevronné de l'industrie, un chercheur en herbe ou simplement curieux de connaître le pouvoir transformateur de la technologie, j'espère que cette revue constituera une ressource précieuse et inspirera une exploration plus approfondie des frontières passionnantes de la fabrication intelligente.

---

Introduction

L'avenir de la production synergique

---

Dans le réseau complexe de la fabrication moderne, l'usinage CNC s'impose comme une force centrale qui stimule le progrès dans divers secteurs tels que l'automobile, le médical, l'aérospatiale et au-delà. ^[1]. Pourtant, alors que l'évolution incessante de la technologie repousse toujours les limites, il nous incombe de scruter l'horizon des opérations CNC. ^[2], ^[3]. Ce voyage vers l’avant est profondément lié aux domaines de l’apprentissage automatique (ML) et de l’intelligence artificielle (IA). ^[4]. Les implications potentielles de l’intégration du ML et de l’IA dans les opérations d’usinage CNC constituent des avancées transformationnelles profondes et prometteuses qui pourraient redéfinir l’essence même des processus de fabrication. ^[5].

Le ML, descendant de l'IA, permet aux machines d'apprendre de manière autonome à partir de vastes ensembles de données et d'expériences antérieures, révolutionnant ainsi le mode de fonctionnement des systèmes CNC. ^[6], ^[7]. En tirant parti de capteurs avancés et d'analyses de données en temps réel, les informations basées sur le ML sur les conditions des outils ouvrent de nouvelles dimensions de productivité et d'efficacité dans l'usinage CNC. ^[8]. Grâce à l'analyse prédictive, l'IA détient la clé pour prévoir les besoins de maintenance, minimisant ainsi les temps d'arrêt et ajustant les processus d'usinage pour atteindre des niveaux d'efficacité optimaux. ^[9], ^[10].

De plus, l’émergence de l’apprentissage profond amplifie les capacités des systèmes de surveillance CNC, permettant des mécanismes sophistiqués de détection des défauts et des stratégies d’optimisation des processus affinées. ^[11]. Des efforts de recherche sont en cours pour explorer les applications multiformes du ML et de l’IA à travers une gamme de défis industriels, mettant en lumière les voies d’une fabrication durable et l’évolution vers des processus de production plus intelligents. ^[12], ^[13].

Un ensemble important de travaux, menés par des chercheurs tels que Soori et al., explorent les frontières numériques des processus d'usinage, de soudage et de fraisage. ^[13]-[22]. Leurs efforts sont axés sur le perfectionnement des techniques d'usinage, l'optimisation de la durée de vie des outils et l'élévation des normes d'intégrité des surfaces. ^[23]-[25]. Parallèlement, les efforts pionniers de Dastres et de ses collègues parcourent le paysage des systèmes RFID, des mécanismes d'aide à la décision et le large spectre d'applications de l'IA, mettant en lumière la myriade de potentiels de l'IA pour façonner l'avenir de l'industrie manufacturière. ^[26]-[30].

En réfléchissant à ces progrès, il devient tout à fait clair que l’IA détient la clé proverbiale pour débloquer des gains de productivité sans précédent dans le domaine de l’usinage CNC. ^[31]. Grâce à une recherche incessante et à l’innovation, la fusion de l’IA avec les opérations CNC promet non seulement des améliorations progressives, mais aussi une refonte fondamentale du paysage manufacturier tel que nous le connaissons.

Méthodologie d’examen dans l’extraction de données

L'étude procède à un examen complet de diverses applications de ML et d'IA dans les opérations d'usinage CNC, en analysant leur impact sur la qualité de sortie. Les domaines d'intervention comprennent la réduction des temps d'arrêt des machines, l'optimisation des machines-outils CNC, la prévision de l'usure des outils de coupe, la modélisation des forces de coupe, les stratégies de maintenance, la surveillance des opérations d'usinage, la prévision de la qualité des surfaces et les systèmes de prévision de l'énergie. En évaluant à la fois les défis et les avantages de ces méthodes pour améliorer la productivité de l'usinage CNC, la revue vise à élucider les lacunes de la recherche existante. De plus, de futures orientations de recherche sont proposées pour développer davantage les applications du ML et de l’IA afin d’améliorer l’efficacité de l’usinage CNC.

Réduire les temps d’arrêt des machines-outils

Les pannes d'équipement sont courantes dans les secteurs du transport maritime et industriel, ce qui perturbe les calendriers de production et la gestion des capacités. ^[31], ^[32]. Les progrès récents en matière de maintenance prédictive, motivés par des approches basées sur les données, visent à améliorer la sécurité, la fiabilité et la prise de décision dans divers secteurs. ^[33].

Des facteurs tels qu'un mauvais entretien, des pannes de pièces et des changements d'équipe peuvent entraîner des temps d'arrêt de l'usinage, entravant ainsi l'efficacité de la production de pièces. ^[34]. Pour atténuer ce problème, des capteurs surveillent les composants standard des perceuses, des tours et des fraiseuses CNC, prédisant les pannes des pièces de machines-outils et prolongeant leur durée de vie. ^[35]. Les temps d'arrêt planifiés assistés par capteurs permettent une planification précise de la maintenance, prolongeant ainsi la durée de vie des composants des machines-outils CNC. ^[36]. Le ML et l'IA interprètent les données, aidant les fabricants à planifier les temps d'arrêt optimaux, maximisant ainsi l'efficacité ^[37]. Cette approche de maintenance efficace, facilitée par le ML et l'IA dans les opérations d'usinage CNC, permet d'économiser du temps, de l'argent et des ressources.

Optimisation des machines-outils CNC

L’optimisation des opérations d’usinage est de plus en plus vitale à l’ère de l’explosion des données et des modèles complexes ^[38]. L'optimisation incrémentielle est essentielle dans l'ensemble de la fabrication, des chaînes d'approvisionnement aux produits finis. L'optimisation des opérations des machines-outils CNC est essentielle pour réaliser des économies et augmenter la rentabilité, ce qui se traduit par une productivité améliorée et moins de défauts de composants. ^[39]. La cinématique du système de mouvement est utilisée pour générer des algorithmes de repérage de mouvement optimaux, améliorant ainsi les performances du simulateur ^[40]. Les processus d'optimisation des performances des machines-outils et des paramètres d'usinage CNC sont essentiels pour améliorer la précision et l'efficacité de la fabrication de composants. ^[41]. Grâce aux données en ligne, l'IA et le ML automatisent l'optimisation, améliorant ainsi la précision des composants usinés et la productivité de la fabrication des pièces. ^[42]. La figure 1 montre l'application d'un algorithme évolutif multi-objectifs lors des opérations d'usinage CNC. ^[43].

L'apprentissage automatique contribue à améliorer les métaheuristiques parallèles dans les opérations d'usinage CNC, améliorant ainsi l'efficacité lors de la production de pièces. ^[44]. L'application de ML optimise les machines-outils CNC pour stabiliser la production de composants et atténuer les pannes inattendues ^[45]. Les méthodes de surface de réponse et ML optimisent les paramètres de coupe pour le tournage du Ti-6Al-4V ^[46]. La méthode simplex de Nelder – Mead, utilisant l'apprentissage automatique, optimise les variables d'usinage dans les opérations de fraisage en bout ^[47]. L'intégration du ML et de l'IA dans les opérations d'usinage CNC améliore la productivité en dérivant des paramètres d'usinage optimisés adaptés à des conditions flexibles et aux paramètres de la pièce.

Prédire l’usure des outils de coupe

Les technologies basées sur l'apprentissage automatique offrent des outils avancés pour prédire l'usure des outils, capables de gérer des processus complexes. ^[48]. Les réseaux de neurones artificiels (ANN) excellent dans l'évaluation de l'usure des outils en raison de leur nature non linéaire ^[48]. Les capteurs modernes et l'intelligence informatique facilitent la surveillance de l'état des outils, essentielle pour améliorer la durée de vie des outils pendant les opérations d'usinage. Le besoin de systèmes d’usinage autonomes intelligents a stimulé le développement de la surveillance de l’état des outils de coupe ^[49]. Les stratégies de surveillance de l'état des outils se répartissent généralement en deux catégories : « Méthodes hors ligne/directes » et « Méthodes en ligne/indirectes ». ^[50], ^[51]. Systèmes d'inférence neuro-flou adaptatifs et techniques d'apprentissage profond, illustrés dans les Figs. 2 et 3, respectivement, permettent une surveillance et une prévision précises de l'usure des outils. ^[52]-.^[54].

Fig 2

Fig 3

En utilisant le ML, des algorithmes d'optimisation et des signaux d'ondes sonores, les chercheurs maximisent la durée de vie des outils de coupe pendant les opérations de forage ^[55], ^[56]. Les approches basées sur le ML améliorent la précision de la prévision de l'usure des outils, en utilisant des signaux d'émission acoustique et des réseaux basés sur les vibrations. ^[57], ^[58]. De plus, les modèles ML optimisent les conditions de coupe en tenant compte de la progression de l'usure des outils et des propriétés des matériaux. ^[58], ^[59]. En intégrant le ML et l'IA dans les opérations d'usinage CNC, des systèmes précis de prévision de l'usure des outils peuvent améliorer l'efficacité de l'usinage, garantissant la qualité des composants tout en minimisant les temps d'arrêt.

Prédiction de la force de coupe

La force de coupe a un impact significatif sur la productivité et la qualité du fraisage, les systèmes ML la prédisant avec précision ^[60]. Une approche hybride utilisant l'apprentissage automatique modélise simultanément la force de coupe dans les opérations de fraisage ^[61]. Divers algorithmes de ML, notamment la régression vectorielle de support, le voisin le plus proche, la régression polynomiale et la forêt aléatoire, estiment les forces de coupe dans les opérations de fraisage ^[62]. En tournage à grande vitesse, ML prédit la force de coupe, la rugosité de la surface et la durée de vie de l'outil pour fournir des modèles de prédiction ^[63]. Une technique hybride combine ML et régression linéaire pour estimer les forces de coupe en tenant compte des conditions d'usure des outils ^[64]. L'analyse de transformation par paquets d'ondelettes élimine le bruit dans les données de force de coupe pour l'évaluation de la texture de surface dans le tournage CNC ^[65]. Une approche d'apprentissage neurophysique améliore la précision des prédictions dans diverses situations de coupe ^[66]. Les porte-outils intelligents calibrés ML mesurent la force de coupe, améliorant ainsi la précision ^[67]. Les mesures en temps réel et les CNN catégorisent l'usure des outils en ligne lors de l'usinage à sec ^[68]. Les réseaux neuronaux analysent les spectres de signaux pour déterminer les dommages causés aux outils de coupe pendant l'usinage ^[69]. Les applications ML et AI développent des modèles de force de coupe précis et flexibles pour diverses conditions d'usinage CNC.

Entretien des machines-outils CNC

Prédire avec précision les besoins de maintenance des machines-outils CNC permet d'économiser du temps et de l'argent ^[70]. Le ML et l’IA font progresser la prédiction et la maintenance préventive, minimisant les temps d’arrêt et améliorant la productivité ^[71]. ML prédit avec précision les temps de réparation optimaux, minimisant ainsi les coûts de maintenance ^[72]. Le retour de données en temps réel alerte les opérateurs des besoins de maintenance, garantissant ainsi un flux de travail stable ^[73]. La maintenance prédictive hybride pilotée par la technologie du jumeau numérique offre des prédictions précises ^[74]. ML évalue les opérations de maintenance, y compris la surveillance de l'usure des outils. La surveillance des données basée sur le ML évalue les conditions des machines-outils CNC ^[75]. La surveillance de l'état des outils améliore l'efficacité du fraisage en bout ^[76]. Les applications ML optimisent la maintenance des machines-outils CNC, garantissant des processus de production stables.

Suivi des opérations d'usinage

Le ML et l'IA améliorent l'efficacité de la surveillance des machines-outils CNC, garantissant ainsi des opérations sûres et fiables. ^[77]. Les systèmes de surveillance conditionnelle sont essentiels pour la maintenance et la sécurité des machines-outils CNC ^[78]. Une structure cyber-physique assure une surveillance intelligente des outils de coupe CNC ^[79]. Les applications décisionnelles avancées surveillent les performances des machines-outils CNC. ML étudie l'impact des paramètres de processus sur les résultats des opérations de tournage-fraisage ^[80]. L'intégration des capteurs améliore la précision des mouvements de la structure Stewart ^[81]. L'intégration neuro-flou adaptative détecte et prévient les erreurs d'outil de coupe ^[82]. La réalité virtuelle et les systèmes de jumeaux numérisés surveillent les processus d'usinage ^[83]. La surveillance en ligne optimise les opérations de fraisage CNC ^[84]. ML prédit le broutage lors du fraisage à grande vitesse de matériaux durs ^[85]. Les systèmes de prévision de l'usure des outils basés sur des techniques de ML améliorent la durée de vie des outils de coupe ^[86]. Les méthodes d'optimisation basées sur le ML améliorent la sélection des paramètres d'usinage CNC ^[87]. Les applications d'IA améliorent la précision de la surveillance des machines-outils ^[88]. Le ML et l’IA améliorent les systèmes de surveillance des données d’usinage et de prise de décision.

Prédiction de la qualité de la surface

La rugosité de la surface est cruciale pour évaluer la qualité du produit, le ML la prédisant avec précision ^[89]. Les réseaux de neurones prédisent l'état de surface des composants usinés ^[90]. Les algorithmes ML prédisent la qualité de la surface, y compris la régression linéaire et la forêt aléatoire ^[91]. Les approches basées sur les données prédisent la précision de l'usinage et la qualité des surfaces ^[92]. L'apprentissage profond prédit la rugosité de la surface à l'aide de l'analyse des signaux de vibration ^[93]. ML améliore la précision de la prévision de la rugosité de surface, optimisant ainsi les processus d'usinage ^[94]. Les réseaux de neurones prédisent la rugosité de surface dans l'usinage des alliages d'aluminium ^[95]. ML analyse les forces de coupe dans le fraisage hélicoïdal à billes, améliorant ainsi la précision [96]. Les systèmes de mesure de rugosité de surface sur machine garantissent une production précise [97]. Les machines-outils de fraisage sensorielles surveillent la rugosité de surface en temps réel, améliorant ainsi la qualité [98]. Les méthodes hybrides ML prédisent les conditions des outils de coupe, améliorant ainsi la durée de vie de l'outil ^[99]. L'apprentissage profond détecte l'usure des outils, prolongeant ainsi leur durée de vie ^[100]. Les modèles ML prédisent la rugosité des surfaces à l'aide des forces de coupe et des oscillations des outils ^[101]. Les applications ML et AI améliorent la prédiction de la qualité des surfaces dans l'usinage CNC, augmentant ainsi la productivité.

Systèmes de prévision énergétique

Les techniques de ML améliorent les modèles de prévision de la consommation d'énergie lors des opérations d'usinage ^[102]. L'apprentissage semi-supervisé intégré par Deep Learning prédit avec précision la consommation d'énergie ^[103]. Les systèmes de gestion de l'énergie basés sur l'IA et le ML améliorent la précision des prévisions ^[104]. Des prévisions précises de consommation d'énergie facilitent une gestion allégée de la consommation d'énergie des machines-outils CNC ^[105]. Les méthodes basées sur l'apprentissage profond prédisent efficacement la consommation d'énergie d'usinage ^[106]. Les méthodologies hybrides estiment la puissance de coupe spécifique lors de l'usinage CNC ^[107]. La simulation basée sur les données prédit la consommation d'énergie dans les opérations de planification de processus à cinq axes ^[108]. ML prédit la consommation d'énergie des broches de machines-outils, améliorant ainsi le diagnostic des pannes ^[109]. La planification intégrée des processus et l'optimisation des paramètres minimisent la consommation d'énergie pendant l'usinage CNC ^[110]. L'optimisation multi-objectifs prend en compte la consommation d'énergie pour un usinage sur tour CNC de haute qualité ^[111]. Les applications ML et AI optimisent la prévision de la consommation d’énergie, améliorant ainsi la productivité.

Conclusion

Le ML et l'IA révolutionnent les processus industriels, améliorant l'efficacité et la précision des opérations d'usinage CNC. Les applications de ML, notamment la réduction des temps d'arrêt, l'optimisation des outils, la prévision de l'usure des outils et la surveillance des opérations, améliorent la productivité de l'usinage CNC. ML prédit la consommation d'énergie pendant l'usinage, vitale pour une fabrication durable. Les progrès du ML et de l’IA dans l’usinage CNC améliorent la qualité des pièces et réduisent les déchets, améliorant ainsi la production allégée. Les recherches futures devraient se concentrer sur l’usinage virtuel, la prise de décision basée sur l’IA et les systèmes de fabrication intelligents. Les améliorations de la sécurité dans les réseaux de machines-outils CNC sont essentielles pour un fonctionnement sûr.

Orientations futures de la recherche

Les techniques avancées de collecte de données et de ML améliorent la précision de la production de pièces. Les systèmes d'usinage virtuel améliorent la simulation des machines-outils CNC. Les modifications basées sur le ML optimisent les trajectoires des outils de coupe et les dispositifs de maintien de la pièce. Les réseaux d'apprentissage profond augmentent l'efficacité du ML dans Usinage CNC. Le contrôle d’apprentissage itératif spatial améliore la précision de l’usinage. Les systèmes optimisés de détection de collision et la formation opérationnelle améliorent l’usinage CNC. Les applications ML et IA rendent les robots industriels plus intelligents et plus collaboratifs. L'automatisation améliore l'efficacité de la production de pièces. La fabrication cloud basée sur le ML et les systèmes cyber-physiques améliorent l'usinage CNC. La prise de décision basée sur l'IA et la logique floue améliorent les processus d'usinage. Ces orientations futures amélioreront la productivité de la fabrication de pièces grâce aux opérations d’usinage CNC.

---

Références:

• [1] A. Keller, A. Kamath, U. Perera Analyse de fiabilité des machines-outils CNC Reliab. Eng., 3 (1982), pp. 449-473
• [2] AM Mamadjanov, SM Yusupov, S. Sadirov Avantages et avenir des machines CNC Sci. Progr., 2 (2021), pp. 1638-1647
• [3] Y. Ye, T. Hu, C. Zhang, W. Luo Conception et développement d'une base de connaissances sur les processus d'usinage CNC utilisant la technologie cloud Int. J.Adv. Fab. Technol., 94 (2018), pages 3413-3425
• [4] G. Carleo, I. Cirac, K. Cranmer, L. Daudet, M. Schuld, N. Tishby, L. Vogt-Maranto, L. Zdeborová Apprentissage automatique et sciences physiques Rev. Mod. Phys., 91 (2019), article 045002
• [5] LC Moreira, W. Li, X. Lu, ME Fitzpatrick Contrôleur de supervision pour l'assurance qualité des surfaces en temps réel dans l'usinage CNC à l'aide de l'intelligence artificielle Comput. Ind. Eng., 127 (2019), pages 158-168
• [6] D.-.H. Kim, TJ Kim, X. Wang, M. Kim, Y.-.J. Quan, JW Oh, S.-.H. Min, H. Kim, B. Bhandari, I. Yang Processus d'usinage intelligent utilisant l'apprentissage automatique : examen et perspective de l'industrie de l'usinage Int. J. Précis. Ing. Manuf.-Green Technol., 5 (2018), pp.555-568
• [7] ZM Çınar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, B. Safaei Apprentissage automatique dans la maintenance prédictive vers une fabrication intelligente et durable dans l'industrie 4.0
• [8] P. Krishnakumar, K. Rameshkumar, K. Ramachandran Classification de l'état des outils basée sur les émissions acoustiques dans un usinage de précision à grande vitesse d'un alliage de titane : une approche d'apprentissage automatique
• [9] S. Wan, D. Li, J. Gao, J. Li Un système de planification de la maintenance des machines-outils basé sur les connaissances utilisant des techniques de raisonnement basées sur des cas
• [10] Z. Hussain, H. Jan Établir un modèle de simulation pour optimiser l'efficacité d'une machine CNC en utilisant une approche de maintenance centrée sur la fiabilité Int. J. Modèle., Simul., Sci. Calcul., 10 (2019), article 1950034
• [11] V. Nasir, F. Sassani Une revue sur l'apprentissage profond en usinage et surveillance des outils : méthodes, opportunités et défis Int. J.Adv. Fab. Technol., 115 (2021), pages 2683-2709
• [12] M. Bertolini, D. Mezzogori, M. Neroni, F. Zammori Machine Learning pour les applications industrielles : une revue complète de la littérature Expert Syst. Appl., 175 (2021), article 114820
• [13] J. Wang, Y. Ma, L. Zhang, RX Gao, D. Wu Apprentissage profond pour une fabrication intelligente : méthodes et applications J. Manuf. Syst., 48 (2018), p. 144-156
• [14] M. Soori, B. Arezoo, M. Habibi Analyse de précision de la modélisation des erreurs de déflexion d'outil dans la prédiction des surfaces fraisées par un système d'usinage virtuel Int. J. Informatique. Appl. Technol., 55 (2017), pages 308 à 321
• [15] M. Soori, B. Arezoo, M. Habibi Usinage virtuel prenant en compte les erreurs dimensionnelles, géométriques et de déflexion de l'outil dans les fraiseuses CNC à trois axes J. Manuf. Syst., 33 (2014), p. 498-507
• [16] M. Soori, B. Arezoo, M. Habibi Erreurs dimensionnelles et géométriques des fraiseuses CNC à trois axes dans un système d'usinage virtuel Comput. Aided Des., 45 (2013), pp.1306-1313
• [17] M. Soori, B. Arezoo, M. Habibi Erreur de déviation d'outil de fraiseuses à commande numérique à trois axes, surveillée et minimisée par un système d'usinage virtuel J. Manuf. Sci. Ang., 138 (2016)
• [18] M. Soori, M. Asmael, D. Solyalı Développement récent dans le procédé de soudage par friction-malaxage : une revue SAE Int. J. Mater. Fab. (2020), p. 18
• [19] M. Soori, M. Asmael Minimisation virtuelle des contraintes résiduelles et des erreurs de déflexion dans le fraisage cinq axes d'aubes de turbine Strojniski Vestnik/J. Mécanique. Ang., 67 (2021), pp. 235-244
• [20] M. Soori, M. Asmael Températures de coupe lors des opérations de fraisage de matériaux difficiles à couper J. New Technol. Mater., 11 (2021), pp. 47-56
• [21] M. Soori, M. Asmael, A. Khan, N. Farouk Minimisation de la rugosité de surface dans le fraisage 5 axes d'aubes de turbine Mech. Basé Des. Structure. Mach. (2021), p. 1-18
• [22] M. Soori, M. Asmael Minimisation de l'erreur de déflexion dans le fraisage à cinq axes des aubes de roue Facta Universitatis, Ser.: Mech. Ing. (2021)
• [23] M. Soori, B. Arezoo Une revue des contraintes résiduelles induites par l'usinage J. New Technol. Mater., 12 (2022), pp. 64-83
• [24] M. Soori, B. Arezoo Minimisation de la rugosité de surface et des contraintes résiduelles lors des opérations de meulage de l'inconel 718 J. Mater. Ing. Effectuer. (2022), p. 1-10
• [25] M. Soori, B. Arezoo Prédiction de l'usure des outils de coupe dans les opérations d'usinage, une revue J. New Technol. Mater., 12 (2022), p. 15-26
• [26] R. Dastres, M. Soori, M. Asmael Systèmes de fabrication sans fil basés sur l'identification par radiofréquence (RFID), une revue indépendante J. Manage. Prod., 13 (2022), pages 258-290
• [27] R. Dastres, M. Soori Progrès dans les systèmes d'aide à la décision basés sur le Web Int. J. Ing. Future Technol., 19 (2021), p. 1-15
• [28] R. Dastres, M. Soori Systèmes de réseaux de neurones artificiels Int. J. Robot d'imagerie. (IJIR), 21 (2021), p. 13-25
• [29] R. Dastres, M. Soori Le rôle des technologies de l'information et de la communication (TIC) dans la protection de l'environnement Int. J. Tomogr. Simul., 35 (2021), p. 24-37
• [30] R. Dastres, M. Soori Couche de socket sécurisée dans la sécurité réseau et web Int. J. Informatique. Inf. Ang., 14 (2020), pp. 330-333
• [31] [31]M. Zhang, A. Matta Modèles et algorithmes pour le problème d'amélioration du débit des lignes de production en série via la réduction des temps d'arrêt IISE Trans., 52 (2020), pp. 1189-1203
• [32] [32]R. Wolniak Temps d'arrêt dans le processus de production de l'industrie automobile – analyse des causes Qual. Innover. Prospérité, 23 (2019), pp. 101-118
• [33] Y. Wen, MF Rahman, H. Xu, T.-LB Tseng Avancées et tendances récentes de la maintenance prédictive du point de vue des pronostics des machines basés sur les données Measurement, 187 (2022), article 110276
• [34] P. Ong, WK Lee, RJH Lau Surveillance de l'état des outils dans le fraisage en bout CNC à l'aide d'un réseau neuronal à ondelettes basé sur la vision industrielle Int. J.Adv. Fab. Technol., 104 (2019), pages 1369-1379
• [35] N. Ahmed, A. Day, J. Victory, L. Zeall, B. Young Surveillance de l'état dans la gestion de la maintenance dans une installation de fabrication d'usinage CNC de précision à grande échelle 2012 Conférence internationale de l'IEEE sur la surveillance de l'état et le diagnostic, IEEE (2012) , p. 842-845
• [36] P. BA, S. PN, S. PM L'atelier se connecte au cloud pour surveiller en direct les données de production des machines CNC Int. J. Informatique. Intégré. Manuf., 33 (2020), p. 142-158
• [37] K. Vijayakumar Intelligence computationnelle, techniques d'apprentissage automatique et IOT SAGE Publications Sage UK, Londres, Angleterre (2021), pp. 3-5
• [38] S. Sun, Z. Cao, H. Zhu, J. Zhao Une étude des méthodes d'optimisation du point de vue de l'apprentissage automatique IEEE Trans. Cybern., 50 (2019), pp. 3668-3681
• [39] Y. Wu, N. Yue, K. Qian Optimisation des performances du système de machine-outil CNC basée sur les données des capteurs Sci. Programme. (2022), p. 2022
• [40] M. Aminzadeh, A. Mahmoodi, M. Sabzehparvar Algorithme optimal de repérage de mouvement utilisant la cinématique du système de mouvement Eur. J. Control, 18 (2012), p. 363-375
• [41] N. Sharma, V. Chawla, N. Ram Comparaison d'algorithmes d'apprentissage automatique pour la programmation automatique de machines à commande numérique par ordinateur Int. J. Data Network Sci., 4 (2020), pages 1 à 14
• [42] M.-.A. Dittrich, F. Uhlich, B. Denkena Génération de trajectoires d'outils auto-optimisées pour les processus d'usinage 5 axesCIRP J. Manuf. Sci. Technol., 24 (2019), p. 49-54
• [43] T. Ghosh, K. Martinsen Approche généralisée pour l'optimisation des processus d'usinage à réponses multiples à l'aide de l'apprentissage automatique et d'algorithmes évolutifs Eng. Sci. Technol., Int. J., 23 (2020), p. 650-663
• [44] WT de Sousa Junior, JAB Montevechi, R. de Carvalho Miranda, MLM de Oliveira, AT Campos Optimisation de la simulation d'atelier à l'aide de l'apprentissage automatique pour améliorer les métaheuristiques parallèles Expert Syst. Appl., 150 (2020), article 113272
• [45] W. Luo, T. Hu, C. Zhang, Y. Wei Jumeau numérique pour machine-outil CNC : modélisation et utilisation de la stratégie J. Ambient Intell. Humaniser. Calcul., 10 (2019), pages 1129-1140
• [46] MS Surya, G. Prasanthi, AK Kumar, V. Sridhar, S. Gugulothu Optimisation des paramètres de coupe lors du tournage du Ti-6Al-4V à l'aide de la méthodologie de surface de réponse et de la technique d'apprentissage automatique Int. J. Interagir. Des. Fab. (IJIDeM), 15 (2021), pages 453-462
• [47] Y. Lee, A. Resiga, S. Yi, C. Wern L'optimisation des paramètres d'usinage pour les opérations de fraisage à l'aide de la méthode simplex de Nelder – Mead J. Manuf. Maître. Processus., 4 (2020), p. 66
• [48] DY Pimenov, A. Bustillo, S. Wojciechowski, VS Sharma, MK Gupta, M. Kuntoğlu Systèmes d'intelligence artificielle pour la surveillance de l'état des outils en usinage : analyse et revue critique J. Intell. Fab. (2022), p. 1-43
• [49] S. Ravikumar, K. Ramachandran Surveillance de l'usure de l'outil de coupe multipoint à l'aide de signaux sonores avec des techniques d'apprentissage automatique Mater. Aujourd'hui : Proc., 5 (2018), pp. 25720-25729
• [50] V. Parwal, B. Rout Approche basée sur l'apprentissage automatique pour la supervision des processus afin de prédire l'usure des outils pendant l'usinage Procedia CIRP, 98 (2021), pp. 133-138
• [51] PJ Bagga, MA Makhesana, AD Pala, KC Chauhan, KM Patel, Une nouvelle approche d'apprentissage automatique basée sur la vision par ordinateur pour la surveillance en ligne de l'usure des outils dans l'usinage, (2021).
• [52] M. Rizal, JA Ghani, MZ Nuawi, CHC Haron Système de prédiction de l'usure des outils en ligne dans le processus de tournage utilisant un système d'inférence neuro-flou adaptatif Appl. Soft Comput., 13 (2013), pages 1960-1968
• [53] X. Zhang, C. Han, M. Luo, D. Zhang Surveillance de l'usure des outils pour le fraisage de pièces complexes basée sur l'apprentissage profond Appl. Sci., 10 (2020), p. 6916
• [54] X. Wu, Y. Liu, X. Zhou, A. Mou Identification automatique de l'usure des outils basée sur un réseau neuronal convolutif dans le processus de surfaçage Sensors, 19 (2019), p. 3817
• [55] LH Saw, LW Ho, MC Yew, F. Yusof, NA Pambudi, TC Ng, MK Yew Analyse de sensibilité de l'usure des forets et optimisation à l'aide d'une technique d'algorithme neuro-génétique flou adaptatif vers un usinage durable J. Clean. Prod., 172 (2018), pages 3289-3298
• [56] A. Kothuru, SP Nooka, R. Liu Application de signaux sonores pour la surveillance de l'usure des outils à l'aide de techniques d'apprentissage automatique dans le fraisage en bout Int. J.Adv. Fab. Technol., 95 (2018), pages 3797-3808
• [57] AD Patange, R. Jegadeeshwaran Une approche d'apprentissage automatique pour la prédiction de l'état des plaquettes d'outils multipoints basée sur les vibrations sur la mesure des centres d'usinage verticaux (VMC), 173 (2021), article 108649
• [58] R. Liu, A. Kothuru, S. Zhang Surveillance de l'état des outils basée sur l'étalonnage pour les opérations d'usinage répétitives J. Manuf. Syst., 54 (2020), p. 285-293
• [59] A. Bustillo, DY Pimenov, M. Mia, W. Kapłonek Apprentissage automatique pour la prédiction automatique de l'écart de planéité en tenant compte de l'usure des dents de la fraise à surfacer J. Intell. Manufacture, 32 (2021), pp. 895-912
• [60] VF Sousa, FJ Silva, JS Fecheira, HM Lopes, RP Martinho, RB Casais, LP Ferreira Évaluation des forces de coupe dans les processus d'usinage CNC : une revue critique Sensors, 20 (2020), p. 4536
• [61] S. Vaishnav, A. Agarwal, K. Desai Modèle de force de coupe instantanée basé sur l'apprentissage automatique pour les opérations de fraisage en bout J. Intell. Manuf., 31 (2020), pages 1353-1366
• [62] P. Charalampous Prédiction des efforts de coupe en fraisage à l'aide d'algorithmes d'apprentissage automatique et d'analyse par éléments finis J. Mater. Ing. Effectuer., 30 (2021), pp. 2002-2013
• [63] Y. Zhang, X. Xu Apprentissage automatique de la force de coupe, de la rugosité de surface et de la durée de vie de l'outil dans les processus de tournage à grande vitesse Manuf. Lett., 29 (2021), p. 84-89
• [64] B. Peng, T. Bergs, D. Schraknepper, F. Klocke, B. Döbbeler Une approche hybride utilisant l'apprentissage automatique pour prédire les forces de coupe en tenant compte de l'usure de l'outil Procedia CIRP, 82 (2019), pp. 302-307
• [65] EG Plaza, PN López Analyse des signaux de force de coupe par transformation de paquets d'ondelettes pour le contrôle de la rugosité de surface dans le tournage CNC Mech. Système. Processus de signal., 98 (2018), pages 634-651
• [66] K. Xu, Y. Li, J. Zhang, G. Chen ForceNet : un modèle de prédiction de la force de coupe hors ligne basé sur une approche d'apprentissage neuro-physique J. Manuf. Syst., 61 (2021), p. 1-15
• [67] L.-.W. Tseng, T.-.S. Hu, Y.-.C. Hu Un porte-outil intelligent calibré par apprentissage automatique pour mesurer la force de coupe en tournage fin et son application à la force de coupe spécifique des aciers à faible teneur en carbone S15C Machines, 9 (2021), p. 190
• [68] G. Terrazas, G. Martínez-Arellano, P. Benardos, S. Ratchev Classification en ligne de l'usure des outils lors de l'usinage à sec en utilisant des mesures de force de coupe en temps réel et une approche CNN J. Manuf. Maître. Processus., 2 (2018), p. 72
• [69] G. Kucukyildiz, HG Demir Un algorithme de diagnostic de défauts d'outil de coupe à plusieurs étages pour le coupeur de forme à développante utilisant l'imagerie spectrale de la force de coupe et des signaux de vibration et les réseaux neuronaux convolutifs arabes. J. Sci. Ang., 46 (2021), pp. 11819-11833
• [70] A. Jimenez-Cortadi, I. Irigoien, F. Boto, B. Sierra, G. Rodriguez Maintenance prédictive du processus d'usinage et de la machine-outil Appl. Sci., 10 (2019), p. 224
• [71] B. Luo, H. Wang, H. Liu, B. Li, F. Peng Détection précoce des défauts des machines-outils basée sur l'apprentissage en profondeur et l'identification dynamique IEEE Trans. Ind.Electron., 66 (2018), pages 509-518
• [72] E. Traini, G. Bruno, G. D'antonio, F. Lombardi Cadre d'apprentissage automatique pour la maintenance prédictive en fraisage IFAC-PapersOnLine, 52 (2019), pp. 177-182
• [73] J. Diaz-Rozo, C. Bielza, P. Larrañaga CPS basé sur l'apprentissage automatique pour regrouper les conditions du cycle d'usinage à haut débit Procedia Manuf., 10 (2017), pp. 997-1008
• [74] W. Luo, T. Hu, Y. Ye, C. Zhang, Y. Wei Une approche de maintenance prédictive hybride pour les machines-outils CNC pilotées par Digital Twin Robot Comput. Intégré. Manuf., 65 (2020), article 101974
• [75] J. Moore, J. Stammers, J. Dominguez-Caballero L'application de l'apprentissage automatique aux signaux des capteurs pour l'évaluation de l'état des machines-outils et des processus Proc. Inst. Mécanique. Ing. Partie B J. Eng. Manuf., 235 (2021), pages 1543-1557
• [76] T. Mohanraj, J. Yerchuru, H. Krishnan, RN Aravind, R. Yameni Développement d'un système de surveillance de l'état des outils dans le processus de fraisage en bout à l'aide de caractéristiques d'ondelettes et de l'exposant de Hoelder avec des algorithmes d'apprentissage automatique Measurement, 173 (2021), article 108671
• [77] AD Patange, R. Jegadeeshwaran Revue sur la classification de l'état des outils en fraisage : une approche d'apprentissage automatique Mater. Aujourd’hui : Proc., 46 (2021), pp. 1106-1115
• [78] D. Goyal, C. Mongia, S. Sehgal Applications du traitement numérique du signal dans la surveillance des processus d'usinage et des composants rotatifs : une revue IEEE Sens. J., 21 (2021), pp. 8780-8804
• [79] K. Zhu, Y. Zhang Un cadre de système de production cyber-physique pour un système intelligent de surveillance de l'usinage CNC IEEE/ASME Trans. Mécatron., 23 (2018), pages 2579-2586
• [80] C. Ratnam, KA Vikram, B. Ben, B. Murthy Surveillance du processus et effets des paramètres du processus sur les réponses dans les opérations de tournage-fraisage basées sur le rapport SN et la mesure ANOVA, 94 (2016), pp. 221-232
• [81] S. Wang, S. To, CF Cheung Effet du matériau de la pièce à usiner sur la rugosité de surface dans le fraisage raster d'ultraprécision Mater. Fab. Processus., 27 (2012), pages 1022-1028
• [82] S. Jovic, O. Anicic, M. Jovanovic Fusion neuro-flou adaptative de données multi-capteurs pour la surveillance de l'usinage CNC Sensor Rev. (2017)
• [83] S. Liu, S. Lu, J. Li, X. Sun, Y. Lu, J. Bao Méthode de suivi orientée processus d'usinage basée sur le jumeau numérique via la réalité augmentée Int. J.Adv. Fab. Technol., 113 (2021), pages 3491-3508
• [84] I. Daniyan, I. Tlhabadira, O. Daramola, K. Mpofu Conception et optimisation des paramètres d'usinage pour un taux d'enlèvement efficace de l'AISI P20 pendant l'opération de fraisage Procedia CIRP, 84 (2019), pp. 861-867
• [85] K. Zacharia, P. Krishnakumar Prédiction du broutage dans l'usinage à grande vitesse d'un alliage de titane (Ti-6Al-4V) à l'aide de techniques d'apprentissage automatique Mater. Aujourd'hui : Proc., 24 (2020), pp. 350-358
• [86] A. Gouarir, G. Martínez-Arellano, G. Terrazas, P. Benardos, S. Ratchev Système de prédiction de l'usure des outils en cours de processus basé sur des techniques d'apprentissage automatique et d'analyse des forces Procedia CIRP, 77 (2018), pp. 501-504
• [87] E. Hazir, T. Ozcan Méthodologie de surface de réponse intégrée à la fonction de désirabilité et à l'approche par algorithme génétique pour l'optimisation des paramètres d'usinage CNC Arab. J. Sci. Ang., 44 (2019), pp. 2795-2809
• [88] K. Martinsen, J. Downey, I. BaturynskaInterface homme-machine pour la surveillance des processus de machines-outils basée sur un réseau neuronal artificiel Procedia CIRP, 41 (2016), pp. 933-938
• [89] J. Verma, P. Agrawal, L. Bajpai Optimisation des paramètres de tournage pour la rugosité de surface des aciers alliés ASTM A242 Type-1 par la méthode Taguchi Int. J.Adv. Ing. Technol., 3 (2012), p. 255
• [90] C.-.H. Chen, S.-.Y. Jeng, C.-.J. Lin Prédiction et analyse de la rugosité de surface dans le fraisage CNC à l'aide de réseaux neuronaux Appl. Sci., 12 (2021), p. 393
• [91] W. Zhang Prédiction de la rugosité de surface avec apprentissage automatique J. Phys. : Conf. Ser. (2021), article 012040
• [92] H.-.W. Chiu, C.-.H. Lee Prédiction de la précision d'usinage et de la qualité de surface pour les machines-outils CNC à l'aide d'une approche basée sur les données Adv. Ing. Logiciel, 114 (2017), pages 246-257
• [93] W.-.J. Lin, S.-.H. Lo, H.-.T. Young, C.-.L. Hung Évaluation des réseaux neuronaux d'apprentissage profond pour la prédiction de la rugosité des surfaces à l'aide de l'analyse des signaux de vibration Appl. Sci., 9 (2019), p. 1462
• [94] DY Pimenov, A. Bustillo, T. Mikolajczyk Intelligence artificielle pour la prédiction automatique de la rugosité de surface requise en surveillant l'usure des dents des fraises à surfacer J. Intell. Manufacture, 29 (2018), pp. 1045-1061
• [95] N. Fang, PS Pai, N. Edwards Modélisation de réseaux neuronaux et prédiction de la rugosité de surface lors de l'usinage des alliages d'aluminium J. Comput. Commun., 4 (2016), p. 1-9
• [96] AN Balasubramanian, N. Yadav, A. Tiwari Analyse des forces de coupe dans le processus de fraisage hélicoïdal à billes à l'aide de l'apprentissage automatique Mater. Aujourd’hui : Proc., 46 (2021), pp. 9275-9280
• [97] W. Gao, H. Haitjema, F. Fang, R. Leach, C. Cheung, E. Savio, J.-.M. Linares Métrologie des surfaces sur machine et en cours de processus pour la fabrication de précision CIRP Ann., 68 (2019), pp. 843-866
• [98] H.-.C. Möhring, S. Eschelbacher, P. Georgi Approches d'apprentissage automatique pour la surveillance et l'évaluation en temps réel de la rugosité de surface à l'aide d'un outil de fraisage sensoriel Procedia CIRP, 102 (2021), pp. 264-269
• [99] P. Wang, Z. Liu, RX Gao, Y. Guo Apprentissage automatique hybride basé sur les données hétérogènes pour le pronostic de l'état des outils CIRP Ann., 68 (2019), pp. 455-458
• [100] X. Xu, J. Wang, B. Zhong, W. Ming, M. Chen Prédiction de l'usure des outils basée sur l'apprentissage profond et son application au processus d'usinage utilisant la fusion de caractéristiques multi-échelles et le mécanisme d'attention des canaux Measurement, 177 (2021), Article 109254
• [101] Y. Chen, R. Sun, Y. Gao, J. Leopold Un modèle de prédiction ANN imbriqué pour la rugosité de surface prenant en compte les effets des forces de coupe et des vibrations de l'outil Measurement, 98 (2017), pp. 25-34
• [102] MKM Shapi, NA Ramli, LJ Awalin Prédiction de la consommation d'énergie en utilisant l'apprentissage automatique pour les bâtiments intelligents : étude de cas en Malaisie Dev. Environ. Construit., 5 (2021), Article 100037
• [103] C. Chen, Y. Liu, M. Kumar, J. Qin, Y. Ren Modélisation de la consommation d'énergie à l'aide de l'apprentissage profond intégré et semi-supervisé Comput. Ind. Eng., 135 (2019), pages 757 à 765
• [104] PW Khan, Y. Kim, Y.-.C. Byun, S.-.J. Lee Évaluation des facteurs d'influence de la prévision de la consommation d'énergie basée sur l'apprentissage automatique Energies, 14 (2021), p. 7167
• [105] J. Cao, X. Xia, L. Wang, Z. Zhang, X. Liu Une nouvelle méthode de prévision de la consommation d'énergie du fraisage CNC basée sur l'analyse de programme et un réseau neuronal parallèle Sustainability, 13 (2021), p. 13918
• [106] Y. He, P. Wu, Y. Li, Y. Wang, F. Tao, Y. Wang Un modèle générique de prédiction énergétique des machines-outils utilisant des algorithmes d'apprentissage en profondeur Appl. Énergie, 275 (2020), article 115402
• [107] Z. Liu, Y. Guo Une approche hybride pour intégrer l'apprentissage automatique et la mécanique des processus pour la prédiction de l'énergie de coupe spécifique CIRP Ann., 67 (2018), pp. 57-60
• [108] V. Vishnu, KG Varghese, B. Gurumoorthy Prédiction énergétique dans la planification des processus d'usinage à cinq axes par modélisation basée sur les données Procedia CIRP, 93 (2020), pp. 862-867
• [109] WH Choi, J. Kim, JY Lee Développement de modèles de diagnostic de défauts basés sur la prévision de la consommation d'énergie d'une broche de machine-outil Procedia Manuf., 51 (2020), pp. 353-358
• [110] L. Li, C. Li, Y. Tang, L. Li Une approche intégrée de la planification des processus et de l'optimisation des paramètres de coupe pour l'usinage CNC soucieux de l'énergie J. Clean. Prod., 162 (2017), pages 458 à 473
• [111] S. Jia, S. Wang, J. Lv, W. Cai, N. Zhang, Z. Zhang, S. Bai Optimisation multi-objectif des paramètres du processus de tournage CNC en tenant compte de la consommation d'énergie en régime transitoire-stationnaire Sustainability, 13 (2021) , p. 13803

Un examen des applications d'apprentissage automatique et d'intelligence artificielle dans les machines-outils CNC by usinage capable sous est autorisé CC BY-NC 4.0