{"id":3140,"date":"2025-07-05T08:06:58","date_gmt":"2025-07-05T08:06:58","guid":{"rendered":"https:\/\/www.smarc.io\/2025\/07\/05\/resultats-de-recherche-prediction-de-lusure-des-outils-pilotee-par-lintelligence-artificielle\/"},"modified":"2026-05-01T04:10:15","modified_gmt":"2026-05-01T04:10:15","slug":"resultats-de-recherche-prediction-de-lusure-des-outils-pilotee-par-lintelligence-artificielle","status":"publish","type":"post","link":"https:\/\/www.smarc.io\/fr\/2025\/07\/05\/resultats-de-recherche-prediction-de-lusure-des-outils-pilotee-par-lintelligence-artificielle\/","title":{"rendered":"Fait marquant de recherche : Pr\u00e9diction de l\u2019usure des outils par apprentissage automatique"},"content":{"rendered":"<blockquote><p><b>Fait marquant de recherche : Pr\u00e9sentation au CIRP ISEM 2025<br \/>\n\u00ab Pr\u00e9diction de l\u2019usure des outils bas\u00e9e sur le machine learning utilisant la force \u00e9lectromotrice et le glissement du moteur AC \u00bb<\/b><\/p><\/blockquote>\n<p>La fabrication de pr\u00e9cision repose sur une pr\u00e9diction fiable de l\u2019usure des outils afin de garantir la qualit\u00e9 et d\u2019optimiser l\u2019efficacit\u00e9 de production. Toutefois, les solutions existantes sont souvent co\u00fbteuses et complexes \u00e0 int\u00e9grer, ce qui limite leur adoption dans les environnements industriels r\u00e9els. <\/p>\n<p>Dans cet article, nous pr\u00e9sentons un syst\u00e8me intelligent de surveillance de l\u2019\u00e9tat des outils (TCM) qui r\u00e9pond \u00e0 ces limitations gr\u00e2ce \u00e0 une approche nouvelle et \u00e0 co\u00fbt optimis\u00e9. La m\u00e9thode propos\u00e9e combine des mesures de signaux cl\u00e9s\u2014en particulier la force \u00e9lectromotrice (FEM) \u00e0 l\u2019interface outil\u2013pi\u00e8ce et le glissement d\u2019un moteur \u00e0 induction (SIM)\u2014afin de suivre l\u2019\u00e9volution de l\u2019usure en d\u00e9pouille. Ces indicateurs physiques sont int\u00e9gr\u00e9s dans un mod\u00e8le hybride d\u2019apprentissage automatique pilot\u00e9 par l\u2019IA, permettant la pr\u00e9diction et la classification en temps r\u00e9el des \u00e9tats d\u2019usure des outils.  <\/p>\n<p>L\u2019architecture du syst\u00e8me est con\u00e7ue pour \u00eatre simple \u00e0 mettre en \u0153uvre, \u00e9conomique et pr\u00e9cise, ce qui la rend adapt\u00e9e aussi bien aux nouvelles installations qu\u2019aux environnements en retrofit. Elle permet de classer l\u2019\u00e9tat de l\u2019outil de coupe \u00e0 travers diff\u00e9rentes phases, depuis la phase de rodage initial jusqu\u2019\u00e0 la d\u00e9faillance finale lorsque les limites de tol\u00e9rance sont d\u00e9pass\u00e9es. Le syst\u00e8me peut \u00e9galement \u00eatre int\u00e9gr\u00e9 dans un environnement IoT afin de permettre le diagnostic \u00e0 distance et l\u2019optimisation de la production. Les validations exp\u00e9rimentales montrent une pr\u00e9cision de classification comprise entre 84,1 % et 91 %.   <\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Fait marquant de recherche : Pr\u00e9diction de l\u2019usure des outils par apprentissage automatique <\/p>\n","protected":false},"author":1,"featured_media":4127,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"image","meta":{"footnotes":""},"categories":[99],"tags":[90,89,91,94,96,87],"class_list":["post-3140","post","type-post","status-publish","format-image","has-post-thumbnail","hentry","category-research-fr","tag-artificialintelligence-fr","tag-cirpisem2025-fr","tag-machiningprocesses-fr","tag-manufacturingresearch-fr","tag-smarc-fr","tag-smartmanufacturing-fr","post_format-post-format-image"],"_links":{"self":[{"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/posts\/3140","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/comments?post=3140"}],"version-history":[{"count":2,"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/posts\/3140\/revisions"}],"predecessor-version":[{"id":4537,"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/posts\/3140\/revisions\/4537"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/media\/4127"}],"wp:attachment":[{"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/media?parent=3140"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/categories?post=3140"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.smarc.io\/fr\/wp-json\/wp\/v2\/tags?post=3140"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}