Towards a prediction of the tribological behaviour of a contact with third body particles : Relating the morphological descriptors of the third body particles with the rheological parameters of the contact
Corrélation entre les descripteurs morphologiques du troisième corps et les paramètres rhéologiques du contact : Relier les descripteurs morphologiques des particules du troisième corps aux paramètres rhéologiques du contact
Résumé
This thesis work is a proof of concept. It is the first part of a much larger work where we try to answer the question whether it is possible to set a link between the morphological aspects of the third body particles and the rheological parameters of the contact where they were created. The rheological measurements are almost impossible to obtain without opening the contact itself. Therefore, such a link could be a game changer especially in machine monitoring and failure prediction, which is the long-term goal of this project. In this effort, we evaluate the efficiency of supervised machine learning algorithms in linking back the third body particles with the tests from which they originate. In addition, we assess the ability of the algorithms in predicting the rheological properties of the contact from the morphological descriptors of the wear debris it produced. We held our own tribological tests using a classical pin-disk tribometer. To ensure the production of diverse third body particles, we conduct nine tests organized in three sets. One experimental condition was varied between the tests of a give set. The rheological parameters in this project were calculated directly from the in situ signals recorded during the tribotests. They are are not the usual measures but they are mechanical measurement that describe the flow of the wear debris. Regarding the morphological dataset, we chose five different descriptors to characterize the particles post mortem after the tribological tests were terminated. Those descriptors are calculated through image analysis algorithms of SEM images. Machine learning algorithms had a 40% success rate at learning from in which test each particle was created using only the shape descriptors. However, the results of predicting the rheological parameters from the morphological database were not as promising however they were essential for the future work.
Ce travail de thèse est une preuve de concept. C'est la première partie d'un travail beaucoup plus vaste où nous essayons de répondre à la question de savoir s'il est possible d'établir un lien entre les aspects morphologiques des particules du troisième corps et les paramètres rhéologiques du contact où ils ont été créés. Les mesures rhéologiques sont presque impossibles à obtenir sans ouvrir le contact lui-même. Par conséquent, un tel lien pourrait changer la donne, en particulier dans la surveillance des machines et la prévision des pannes, ce qui est l'objectif à long terme de ce projet. Dans cet effort, nous évaluons l'efficacité des algorithmes d'apprentissage automatique supervisé pour relier les particules du troisième corps aux tests dont elles proviennent. De plus, nous évaluons la capacité des algorithmes à prédire les propriétés rhéologiques du contact à partir des descripteurs morphologiques des débris d'usure qu'il a produits. Nous avons effectué nos propres tests tribologiques à l'aide d'un tribomètre à disque à broches classique. Pour assurer la production de diverses particules du troisième corps, nous effectuons neuf tests organisés en trois séries. Une condition expérimentale variait entre les tests d'un ensemble donné. Les paramètres rhéologiques de ce projet ont été calculés directement à partir des signaux in situ enregistrés lors des tribotests. Ce ne sont pas les mesures habituelles mais ce sont des mesures mécaniques qui décrivent le flux des débris d'usure. Concernant l'ensemble de données morphologiques, nous avons choisi cinq descripteurs différents pour caractériser les particules post mortem après la fin des tests tribologiques. Ces descripteurs sont calculés grâce à des algorithmes d'analyse d'images d'images SEM. Les algorithmes d'apprentissage automatique avaient un taux de réussite de 40% à l'apprentissage à partir duquel le test de chaque particule a été créé en utilisant uniquement les descripteurs de forme. Cependant, les résultats de la prévision des paramètres rhéologiques à partir de la base de données morphologiques n'étaient pas aussi prometteurs, mais ils étaient essentiels pour les travaux futurs.
| Origine | Version validée par le jury (STAR) |
|---|