Modélisation de la rectification des bagues de roulements à l'aide de la modélisation du contact et de l'intelligence artificielle informée

Modeling the grinding of bearing rings using contact modeling and informed artificial intelligence

• Auteur / Autrice : Alain El hajj
• Direction : Philippe Lorong
• Type : Projet de thèse
• Discipline(s) : Mécanique-matériaux
• Date : Inscription en doctorat le 08/10/2024
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Pimm - Laboratoire Procédés et ingénierie en mécanique et matériaux
• Partenaire(s) de recherche : établissement de préparation de la thèse : Paris, ENSAM

Mots clés

Mots clés libres

Réduction de modèles

Rectification

Augmentation des modèles

Machine Learning

Friction

Modèles hybrides

Model reduction

Rectification

Model augmentation

Machine Learning

Friction

Hybrid models

Résumé

La rectification implique un usinage doux pour éliminer les aspérités et améliorer l'aspect final de la surface de la pièce construite. Le processus de rectification est très important pour la fabrication des bagues de roulement, car il améliore les performances, réduit le frottement et augmente la durée de vie des roulements. Malgré le grand intérêt porté à ce processus, les phénomènes physiques sous-jacents ne sont pas encore maîtrisés. En fait, une modélisation calculable et précise n'est pas à portée de main. Des travaux récents ont fait progresser la modélisation du contact avec une estimation très fidèle de la force de frottement en fonction de la réaction normale. La modélisation de l'état de l'art permet l'enlèvement de matière en fonction des forces de frottement et normales représentées. Cependant, la modélisation microscopique n'est pas généralisable aux processus de rectification réels impliquant l'enlèvement de multicouches, le transfert de chaleur, l'écoulement du fluide de refroidissement, etc. La thèse proposée abordera le problème de la rectification en incluant des techniques de réduction de modèle pour accélérer la modélisation physique disponible, et des techniques basées sur les données pour augmenter les modèles physiques et améliorer leur représentabilité. De nombreux résultats expérimentaux seront disponibles grâce aux machines SKF. Les résultats expérimentaux seront exploités pour Calibrer les modèles, valider les modèles d'ordre réduit, entraîner les algorithmes d'apprentissage automatique, augmenter les modèles réduits.

Rectification involves soft machining to remove the asperities and improve the final surface aspect of the built part. The rectification process is of high relevance to bearing rings' manufacturing, as it improves performance, reduces friction, and increases bearing life expectancy. Despite high interest in this process, its underlying physical phenomena are not mastered yet. In fact, computationally tractable and accurate modeling is not within reach. Recent works advanced contact modeling with a high- fidelity estimation of the friction force as a function of the normal reaction. State-of- the-art modeling allows the removal of material as a function of the depicted friction and normal forces. However, the microscopic modeling is not generalizable to real rectification processes involving multilayers' removal, heat transfer, coolant fluid flow, etc., at realistic computational time. The proposed thesis will tackle the rectification problem by including model reduction techniques to accelerate the available physical modeling, and data-driven techniques to augment the physical models and enhance their representability. Multiple experimental results will be available through SKF machinery. The experimental results will be leveraged to: Calibrate the models, validate the reduced-order ones, train Machine Learning algorithms, augment the reduced models.