L'IA et la microscopie optique pour améliorer les procédés de fabrication des pièces en aluminium destinées aux véhicules

Une équipe de spécialistes du Centre de recherche sur l'automobile et les transports de surface du CNRC travaille depuis 3 ans sur un projet novateur qui vise à développer une nouvelle méthode basée sur l'IA pour évaluer les caractéristiques des composants en aluminium critiques dans la fabrication des véhicules. Le projet est dirigé par le Groupe industriel de R-D METALTec du CNRC dans le cadre du programme Fabrication de pointe, et financé par le Centre québécois de recherche et de développement de l'aluminium (CQRDA) et bénéficie de la contribution des participants industriels de METALTec.

L'objectif est de surmonter les défis croissants auxquels fait face le secteur de la fabrication automobile depuis plusieurs décennies à la suite de la transformation numérique qui a amené à la numérisation de la fabrication, la quatrième révolution industrielle (Industrie 4.0). Les entreprises cherchent aujourd'hui à améliorer l'efficacité de leurs procédés de fabrication et à en diminuer les coûts grâce à l'utilisation de technologies autonomes telles que la robotique, l'IA et l'apprentissage automatique.

Un cadre numérique pour améliorer les procédés de fabrication

Pour surmonter ces défis, l'équipe du CNRC a mis au point un cadre numérique qui fait appel à l'IA pour non seulement automatiser et améliorer les procédés à l'aide de la microscopie optique, mais aussi analyser les matériaux tels que l'aluminium et les alliages.

Cette analyse, appelée « caractérisation du matériau », consiste à utiliser des méthodes pour mesurer et analyser la structure et les propriétés de l'aluminium, telles que la résistance et la rigidité. Ces méthodes sont critiques pour la fabrication des composants en aluminium et peuvent faire appel à des techniques comme la microscopie optique pour l'analyse des images. Un grand nombre des techniques utilisées ont cependant été développées bien avant l'avènement du numérique dans le secteur de la fabrication des véhicules. Les industriels ont donc dû surmonter un certain nombre de défis liés à la gestion des données et à l'automatisation des procédés avant de pouvoir intégrer complètement cette étape de caractérisation à l'environnement numérique de la fabrication.

En 2019, l'équipe du CNRC a commencé à examiner différentes options afin de trouver le meilleur moyen d'analyser les images précises obtenues par microscopie optique, la technique de caractérisation utilisée par la plupart des fabricants de véhicules. L'équipe a choisi cette technique parce qu'elle est couramment utilisée pour étudier et comprendre la composition d'un matériau à partir d'une image précise.

Dans le cadre de ces travaux, les scientifiques ont fabriqué diverses pièces en aluminium qui ont été ensuite analysées par microscopie optique, ce qui a mené à la création d'une base de données utilisables en situation réelle. Ces données ont notamment été exploitées pour mieux comprendre les propriétés mécaniques et le comportement de certains matériaux, des informations essentielles pour la fabrication de composants métalliques destinés aux véhicules.

Retombées potentielles

Le présent projet permettra la mise en place de procédés plus efficaces faisant appel à la microscopie optique dans le cadre du développement des matériaux et de l'évaluation de la qualité durant la production des véhicules. La caractérisation des images par un opérateur humain peut s'avérer longue et fastidieuse alors qu'une fois automatisée grâce à l'IA, cette opération peut être exécutée 10 fois plus vite, réduisant ainsi les coûts de R-D et les délais de mise sur le marché des nouveaux produits.

Ce projet a également permis d'accroître les possibilités d'analyse des données. La technique habituelle de microscopie optique ne peut être appliquée que sur un petit nombre d'échantillons à la fois et nécessite de se concentrer sur un élément unique de la microstructure. « Grâce à ces modules automatisés, la microscopie optique peut maintenant générer beaucoup plus de données et permettre d'analyser plus en détail la microstructure et les composants d'un échantillon », explique Marc-Olivier Gagné, chef de projet et agent de recherches au sein du Centre de recherche sur l'automobile et les transports de surface du CNRC.

Ces procédés ainsi améliorés sont applicables à un certain nombre d'industries, mais les travaux de l'équipe du CNRC se sont concentrés sur la fabrication des pièces de véhicules. Puisque tous les véhicules ont des composants métalliques, leur fabrication nécessite des procédés avancés pour assurer qu'ils satisferont aux exigences liées à leurs utilisations, notamment sur le plan des propriétés mécaniques, de la durabilité et de l'esthétique. La caractérisation est un procédé fiable, efficace et économique qui s'avère indispensable pour l'industrie de l'automobile.

Sur la voie de la réussite

Lors de sa conférence de 2022, la North American Die Casting Association ( NADCA ) a rendu hommage aux travaux de l'équipe du CNRC en lui décernant le prix du meilleur article du congrès, publié sous le titre : Local microstructure-properties model for HPVDC Aural™-2 using image analysis and machine learning (en anglais seulement).

La phase 2 du projet consiste maintenant à utiliser des techniques plus poussées d'IA pour trouver à ces solutions techniques émergentes des débouchés pratiques susceptibles de bénéficier au secteur de la fabrication des équipements destinés au transport. Cette phase permettra ultimement aux utilisateurs de générer facilement de vastes collections d'images associées à des besoins précis et de remplacer ainsi avantageusement les ensembles de données expérimentales qui nécessitent des procédures de caractérisation plus longues.