Thèse Prédiction de Durée de Vie d'Outils Coupants par Données Modèles et IA H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences Mécaniques et Energétiques, Matériaux et Géosciences Laboratoire de recherche : Laboratoire Universitaire de Recherche en Production Automatisée Direction de la thèse : Sylvain LAVERNHE ORCID 0000000267014648 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-06-30T23:59:59 L'industrie aéronautique s'appuie sur des procédés d'usinage exigeants, pour lesquels la qualité et la conformité des pièces sont garanties par des pratiques souvent conservatrices. Parmi les coûts significatifs associés à ces procédés figure celui des outils coupants, remplacés de manière préventive faute de méthodes fiables permettant d'évaluer leur usure réelle et leur durée de vie restante. Cette stratégie limite les risques de non-qualité ou de casse outil, mais engendre des surcoûts importants.
L'objectif de cette thèse est de développer une méthodologie de suivi et de prédiction de l'usure des outils de coupe afin d'optimiser leur utilisation et d'améliorer les performances des processus de fabrication. L'approche proposée repose sur la combinaison de données issues des moyens de production, de modèles physiques et empiriques, ainsi que de techniques d'intelligence artificielle pour estimer l'évolution de l'usure et prédire la durée de vie restante des outils dans des contextes d'usinage variés.
Les travaux s'inscrivent dans une démarche Industrie 4.0 et de système cyber-physique. Ils exploiteront les données disponibles sur les centres d'usinage via les protocoles de communication existants (courants moteurs, signaux de broche, données de commande numérique, paramètres de coupe, positions machine, horodatage, etc.), complétées par des capteurs non invasifs tels que des accéléromètres ou microphones. Un jumeau numérique du procédé permettra également d'extraire des informations géométriques avancées sur les conditions réelles d'engagement de l'outil.
Une première étape consistera à collecter, synchroniser, structurer et analyser ces flux de données hétérogènes afin de construire des indicateurs pertinents de l'état de l'outil. Un travail spécifique sera mené sur la qualité des données, le filtrage du bruit, l'extraction de caractéristiques et l'identification des variables les plus représentatives des phénomènes d'usure.
La thèse s'appuiera également sur des simulations numériques afin de générer des données synthétiques, d'analyser les mécanismes de coupe, de hiérarchiser les informations utiles à l'apprentissage et de faciliter le transfert des connaissances entre simulation et réalité.
Ces différentes sources d'information alimenteront ensuite des modèles d'apprentissage automatique dédiés à la prédiction de l'usure et de la durée de vie restante des outils. Plusieurs architectures seront étudiées, notamment des modèles hybrides physique-données intégrant des connaissances métier afin d'améliorer la robustesse, la capacité de généralisation et la frugalité en données. Enfin, des méthodes de vision par ordinateur seront développées pour extraire automatiquement des indicateurs d'usure à partir d'images d'outils.
L'ensemble des approches sera validé dans des conditions représentatives de la production industrielle, avec pour objectif final de fournir un outil d'aide à la décision permettant une gestion prédictive et optimisée des outils de coupe. Ainsi, l'enjeu consiste à capter un maximum de connaissances et de signaux afin de traduire le phénomène physique de dégradation de l'outil (acuité d'arête, usure en cratère, usure en VB). Les signaux envisagés doivent être cohérents avec le contexte industriel de production et s'inscrire dans une logique de monitoring embarqué sur centre d'usinage, au coeur des architectures Industrie 4.0, en privilégiant des sources de données disponibles sans modification lourde de la machine. D'une part, une géométrie réaliste de l'engagement de l'outil, représentant les conditions de coupe au niveau de l'arête, pourra être extraite du jumeau numérique développé (FAO, pièce et géométrie de l'outil réaliste) afin d'obtenir une description plus fidèle que celle issue d'une FAO standard.
D'autre part, il est prévu d'exploiter les signaux issus du monitoring machine-outil et de la commande numérique, tels que les courants moteurs, les signaux de broche, les efforts estimés, ainsi que les données CN (position dans le programme, paramètres de coupe, horodatage), afin de reconstruire dynamiquement le contexte d'usinage. Cette instrumentation sera complétée par des capteurs non invasifs compatibles avec les environnements industriels connectés (accéléromètres, microphones), dans une logique de déploiement à grande échelle. L'ensemble de ces données s'inscrit dans une approche de système cyber-physique, où la machine, ses capteurs et son jumeau numérique interagissent pour fournir une vision enrichie, en temps réel et historisée du procédé. La synchronisation, la structuration et l'exploitation de ces flux de données hétérogènes constituent un enjeu central pour une intégration efficace au sein des chaînes numériques de production.
Toutes ces données, les connaissances précédemment acquises (données et modèles empiriques relativement simples) et leurs liens avec les conditions géométriques et d'usinage serviront de données d'entrée pour la phase d'apprentissage d'un réseau de neurones qu'il faudra bâtir judicieusement. En effet, il sera fondamental de développer et d'exploiter une architecture spécifique, notamment des modèles hybrides physique-données, afin de compenser le manque d'information, d'assurer la robustesse face au bruit de mesure et de permettre l'expression de l'incertitude dans la prédiction de la durée de vie des outils, dans une perspective d'aide à la décision et de maintenance prédictive dans un environnement industriel connecté.
Actuellement, les centres d'usinage disposent d'un protocole de communication MQTT qui permet d'exporter les différentes données disponibles sur les contrôleurs ; le travail portera donc principalement sur l'exploitation et la structuration des flux de données existants. Il s'agira tout d'abord de collecter et d'historiser les messages MQTT, en assurant un horodatage précis et cohérent, notamment en traitant les éventuels décalages temporels entre les différentes sources. Une étape essentielle consistera ensuite à mettre en forme les données, en homogénéisant les formats, les unités et les fréquences d'échantillonnage, afin de construire des séries temporelles exploitables et synchronisées. Par ailleurs, un travail d'analyse devra être mené pour identifier les signaux pertinents, en distinguant les variables indépendantes (liées aux consignes ou aux états machine) des variables couplées ou redondantes (corrélations entre capteurs), et en évaluant leur capacité à refléter les phénomènes physiques d'intérêt, notamment l'usure de l'outil et les conditions de coupe. Cette phase comprendra également des étapes de filtrage, de réduction du bruit et d'extraction de descripteurs, afin de transformer les flux bruts en indicateurs robustes et interprétables. L'ensemble de ce travail constitue une étape clé pour structurer un jeu de données fiable, cohérent et adapté aux approches de modélisation et d'apprentissage envisagées dans un contexte industriel low data. L'objectif des travaux est de mettre en place une méthodologie de suivi et de prédiction de l'usure des outils coupants afin de fournir des indicateurs critériés pour optimiser le processus de fabrication, notamment en prolongeant leur durée d'usage.
Pour cela, la méthode proposée consiste à allier des signaux physiques, issus de moyens de production, aux modèles empiriques de la littérature et aux données de l'entreprise, le tout en exploitant les capacités de l'intelligence artificielle pour prédire la vitesse d'usure des outils coupants sur de nouvelles pièces, au-delà de ce qui est actuellement fabriqué. Dans ce contexte, un premier volet consistera à utiliser les modèles numériques EF comme source de données synthétiques, afin d'évaluer les chargements mis en jeu (notamment dans les situations exceptionnelles), de définir les données/signaux d'entrée pertinents pour l'apprentissage (analyse de sensibilité, hiérarchisation des informations) et d'optimiser le placement des capteurs et la quantité d'informations nécessaires, ou d'analyser la dépendance aux conditions d'usinage et au procédé. L'utilisation des modèles EF ne se limitera pas à la production de données synthétiques, mais visera également à structurer l'espace des variables latentes, à contraindre les modèles appris et à étudier des stratégies de transfert de la simulation vers la réalité.
Un second volet portera sur la structure des métamodèles basés sur l'apprentissage automatique et utilisés pour évaluer l'usure et la durée de vie restante des outils de coupe ; cela passera par des analyses comparatives de performances sur diverses approches de régression : linéaires ou non-linéaires, par graphes, par réseaux de neurones avec structures variées (ResNet, GRU, LSTM,...), introduction plus ou moins fine des effets d'histoire et des contraintes/hypothèses/a priori physiques, etc. Une attention particulière sera portée à la robustesse, à la capacité de généralisation à de nouvelles configurations d'usinage et au caractère frugal en données des approches développées, dans un contexte où les données annotées d'usure sont coûteuses à acquérir.
Un dernier volet ciblera l'extraction d'information à partir d'images pour déterminer un indicateur d'usure (VB, cratère, rayon d'arête, etc.), en redéfinissant un post-traitement optimisé de telles images, et en conduisant des campagnes de validation. Les modèles développés seront finalement évalués selon des protocoles représentatifs de l'usage industriel, en particulier sur leur aptitude à prédire l'usure dans des configurations non vues lors de l'apprentissage.

Génie-Mécanique et procédés de fabrication
Calcul scientifique et analyse de données (Python, MATLAB)
Intelligence artificielle et apprentissage pour l'ingénierie
Expérimentations, développement sur moyen de fabrication
Communication écrite et orale en contexte scientifique et de projet international

• Visual Basic
• Python
• Intelligence artificielle
• Analyse de données
• MATLAB