Optimisation des Procédés de Fabrication par Intégration Synergique de la Modélisation Numérique et de la conception Inventive dans le Contexte de l'Industrie 4.0

Résumé  :

La simulation numérique joue un rôle clé dans l’Industrie 4.0 en permettant d’optimiser les procédés industriels grâce à l’intégration des données en temps réel. L’émergence des jumeaux numériques, répliques virtuelles dynamiques des systèmes physiques, constitue une avancée majeure en reliant simulation, capteurs et intelligence artificielle pour une meilleure prise de décision. Dans le domaine de l’usinage, cette approche offre des perspectives prometteuses pour améliorer le contrôle des opérations et optimiser les paramètres de coupe. L’usinage étant soumis à des incertitudes liées aux conditions opératoires et aux propriétés des matériaux, l’intégration d’un jumeau numérique permet d’adapter dynamiquement les stratégies de fabrication. En couplant simulation numérique et essais en temps réel, il devient possible d’optimiser l’opération d’usinage, contribuant ainsi à une production plus performante et durable. Les verrous scientifiques identifiés sont : le manque de lien dynamique en temps réel entre les outils de simulation et l'objet physique, l'identification des données optimales d’usinage pour créer ce lien, et l'absence d'outils efficaces pour identifier, de manière systématique, les problèmes à résoudre dans les systèmes complexes de fabrication. Dans cette thèse, nous développons une approche basée sur des méthodes de conception inventive de manière à proposer un jumeau numérique dynamique et fiable, et à améliorer l’usinabilité des matériaux complexes. En intégrant des modèles prédictifs avancés et des stratégies d’apprentissage, notre travail vise à consolider le lien entre simulation et réalité industrielle, s’inscrivant ainsi pleinement dans l’Industrie 4.0.

1. Contexte et enjeux :

L'usinage intelligent s'inscrit dans le contexte plus large de la transformation numérique de l'industrie, marquée par l'avènement de l'Industrie 4.0[1][2]. Cette évolution répond aux défis croissants de compétitivité, de précision et de durabilité auxquels fait face le secteur manufacturier [3]. Dans un environnement où la complexité des matériaux utilisés ne cesse d'augmenter, notamment avec l'adoption de superalliages et de composites dans les industries de pointe, l'optimisation des processus d'usinage devient cruciale [4][5]. Parallèlement, les exigences environnementales poussent à développer des méthodes de production plus efficientes et moins énergivores [6]. L'émergence de technologies avancées de capteurs et d'analyse de données en temps réel ouvre de nouvelles perspectives pour le monitoring et l'optimisation des opérations d’usinage [7][8]. Dans ce paysage en mutation, l'usinage intelligent se positionne comme une approche intégrative, combinant modélisation numérique, acquisition de données en temps réel et méthodes d'optimisation innovantes, pour relever les défis complexes de l'usinage moderne tout en s'alignant sur les principes de l'Industrie 4.0 [9] [10].

2. Problématique et objectifs scientifiques :

 Dans le contexte de l'Industrie 4.0 et de la transformation numérique du secteur manufacturier, la problématique de cette thèse s'articule autour de l'optimisation des procédés de fabrication par l'intégration synergique de la modélisation numérique, des jumeaux numériques, de l'intelligence artificielle et de la conception inventive. L'approche proposée vise à développer un cadre méthodologique innovant qui exploite les avancées récentes en simulation numérique des procédés métallurgiques, en les couplant avec les capacités prédictives et adaptatives des jumeaux numériques. Cette synergie permettra d'anticiper avec précision le comportement des matériaux et des processus, tout en offrant une optimisation dynamique des paramètres de fabrication. L'intégration de l'intelligence artificielle dans ce cadre méthodologique jouera un rôle central, en permettant d'analyser et d'interpréter les vastes ensembles de données générés par les capteurs et les simulations. Les algorithmes d'IA seront utilisés pour affiner continuellement les modèles prédictifs, identifier des schémas complexes et proposer des optimisations en temps réel des procédés de fabrication. La conception inventive [11] [12], notamment à travers l'utilisation de la théorie TRIZ, sera incorporée comme un levier stratégique pour résoudre les verrous technologiques inhérents aux procédés de fabrication avancés. Cette approche permettra d'explorer des solutions novatrices, telles que l'intégration d'outils de coupe adaptatifs ou de systèmes de lubrification optimisés, pour améliorer significativement l'usinabilité des matériaux difficiles. L'objectif principal de cette recherche est de développer une stratégie adaptative où les algorithmes d'optimisation, alimentés par l'IA et guidés par les principes de la conception inventive, ajustent dynamiquement les paramètres de fabrication en fonction des conditions réelles, tout en s'appuyant sur les prédictions avancées des jumeaux numériques. Cette approche intégrée vise à repousser les limites des méthodes conventionnelles de fabrication, en offrant un potentiel d'innovation accru, une réduction des coûts de développement, une amélioration de la qualité des produits, et une optimisation globale des processus de production. La recherche s'inscrit ainsi pleinement dans la vision de l'usine intelligente, où la simulation numérique, les jumeaux numériques, l'IA et la conception inventive convergent pour créer une nouvelle génération de procédés de fabrication adaptatifs et hautement optimisés.

La méthodologie comprendra plusieurs étapes clés :

• Développement de modèles de simulation numérique précis pour les procédés d'usinage ciblés.

• Conception et implémentation d'une architecture de jumeau numérique intégrant les modèles de simulation et les données en temps réel.

• Développement d'algorithmes d'IA pour l'analyse des données et l'optimisation adaptative des paramètres de fabrication.

• Application systématique de la théorie TRIZ pour identifier et résoudre les contradictions inhérentes aux verrous technologiques.

• Validation expérimentale des modèles et des optimisations proposées à travers des cas d'étude industriels. Cette approche intégrée vise à améliorer la qualité des produits, réduire les coûts, optimiser l'utilisation des ressources et accroître la flexibilité des processus de fabrication. Elle contribuera à l'avancement de l'usine intelligente dans le cadre de l'Industrie 4.0, ouvrant la voie à une nouvelle génération de procédés de fabrication adaptatifs et hautement optimisés.

La chronologie de ce projet de recherche s'étend sur trois ans, avec une progression logique comme suit :

• Année 1 : Revue de littérature, développement initial des modèles de simulation, conception de l'architecture du jumeau numérique, et implémentation des algorithmes d'IA.

• Année 2 : Application de la théorie TRIZ, développement des algorithmes d'optimisation adaptatifs, tests expérimentaux, et affinement des modèles.

• Année 3 : Mise en œuvre de cas d'étude industriels, analyse des résultats, rédaction de la thèse et préparation de la soutenance.

Références bibliographiques :

[1] Zhong, R. Y., Xu, X., Klotz, E., & Newman, S. T. (2017). Intelligent Manufacturing in the Context of Industry 4.0: A Review. Engineering, 3(5), 616-630.

[2] Tao, F., Qi, Q., Liu, A., & Kusiak, A. (2018). Data-driven smart manufacturing. Journal of Manufacturing Systems, 48, 157-169.

[3] Lu, Y. (2017). Industry 4.0: A survey on technologies, applications and open research issues. Journal of Industrial Information Integration, 6, 1-10.

[4] Chibane, H., Morandeau, A., Serra, R., & Leroy, R. (2013). Optimal milling conditions for carbon/epoxy composite material using damage and vibration analysis. The International Journal of Advanced Manufacturing Technology, 68(5), 1111-1121.

[5] Chibane, H., Serra, R., & Leroy, R. (2011). Optimal cutting conditions in milling of composite materials using response surface methodology and vibration analysis. AIP Conference Proceedings, 1315(1), 619-624.

[6] Wang, S., Wan, J., Li, D., & Zhang, C. (2016). Implementing smart factory of industrie 4.0: an outlook. International Journal of Distributed Sensor Networks, 12(1), 3159805.

[7] Chibane, H., Serra, R., & Leroy, R. (2012). Multi-objective optimization of process parameters in milling of composite materials. Key Engineering Materials, 504, 1177-1182.

[8] Teti, R., Jemielniak, K., O'Donnell, G., & Dornfeld, D. (2010). Advanced monitoring of machining operations. CIRP annals, 59(2), 717-739. [9] Chibane, H., Morandeau, A., Serra, R., & Leroy, R. (2013). Optimal milling conditions for carbon/epoxy composite material using damage and vibration analysis. The International Journal of Advanced Manufacturing Technology, 68(5), 1111-1121. Xu, L. D., Xu, E. L., & Li, L. (2018).

[10] Chibane, H., Serra, R., & Leroy, R. (2014). Optimization of cutting conditions in milling of composite materials using response surface methodology and vibration analysis. AIP Conference Proceedings, 1581(1), 174-181. [11] Chibane, H., Dubois, S., & DE GUIO, R. (2021). Innovation beyond optimization: Application to cutting tool design. Computers & Industrial Engineering, 154, 107139

[12] Hanifi, M., Chibane, H., Houssin, R., & Cavallucci, D. (2019). Improving Inventive Design Methodology's Agility. In New Opportunities for Innovation Breakthroughs for Developing Countries and Emerging Economies (pp. 216-227). Springer, Cham.

Résumé:

ICube a été créé en 2013 pour accueillir l’ensemble des activités de recherche en sciences de l’ingénieur, de l’informatique et de l’imagerie sur le site de Strasbourg. Les organismes concernés sont le CNRS, l’Université de Strasbourg, l’ENGEES et l’INSA Strasbourg.

Le laboratoire ICube regroupe les moyens de recherche du site de Strasbourg dans les domaines des sciences de l’information et des sciences de l’ingénieur. Une communauté d’intérêts s’est ainsi créée, rendant possibles des projets ambitieux à l’interface de plusieurs disciplines : informatique, robotique, biophysique, microélectronique, photonique, mécanique, traitement d’images. Les domaines d’application privilégiés du laboratoire ICube sont la santé et l’environnement.

Ingénieur ou Master en mécanique / production, avec des compétences en usinage et simulation numérique. Intérêt pour l’IA, les jumeaux numériques et l’Industrie 4.0. Python ou outils de simulation appréciés.