Détection de dérives en temps réel lors de la mise en œuvre de procédés de soudage par analyse expérimentale et apprentissage automatique

Online deviation detection during the implementation of welding processes by experimental analysis and machine learning.

• Auteur / Autrice : Théo Boutin
• Direction : Cyril Bordreuil
• Type : Thèse de doctorat
• Discipline(s) : Mécanique, génie civil et architecture
• Date : Soutenance le 21/04/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Mécanique et Génie Civil (Montpellier)
• Jury : Président / Présidente : André Chrysochoos
• Jury : Examinateurs / Examinatrices : Cyril Bordreuil, André Chrysochoos, Éric Lacoste, Patrice Peyre, Issam Bendaoud, Josselin Delmas, Damien Borel, Isabelle Choquet
• Jury : Rapporteurs / Rapporteuses : Éric Lacoste, Patrice Peyre

Mots clés

Mots clés contrôlés

Qualité -- Contrôle

Soudage à l'arc TIG

Traitement du signal

Traitement d'images

Apprentissage automatique

Soudage -- Automatisation

Mots clés libres

Soudage

Traitement d’images et du signal

Physique du bain

Apprentissage automatique

Welding

Image and signal processing

Weld pool physics

Machine learning

Résumé

EDF a pour objectif industriel de mieux maîtriser les opérations de soudage pour un gain en qualité lors de l’assemblage des gros composants. Aujourd’hui, toutes ces pièces sont contrôlées après fabrication et tout défaut identifié doit être réparé. Depuis de nombreuses années, le contrôle in-situ des soudures en cours de réalisation s’avère un point crucial dans les secteurs d’activité qui ont de fortes exigences sur la qualité des pièces soudées. Ces contraintes imposent le développement d’une chaîne de contrôle pour assurer la qualité de soudage en cours de fabrication. Ce contrôle passe essentiellement par le suivi des paramètres procédés et le suivi de la dynamique du bain de fusion. Dans cette thèse, plusieurs moyens de mesure sont développés en fonction d’un cahier de charges bien défini afin de répondre aux problématiques industrielles. Pour réaliser un système de surveillance, un dispositif de capteurs sans contact permettant de scruter le procédé et un traitement des données issues de ces capteurs doivent être mis en place. Une instrumentation est développée autour du procédé contenant plusieurs capteurs pour le suivi et l’analyse de l’influence des paramètres de soudage (tension, intensité, ...). En parallèle, des caméras sont mises en place donnant accès à plusieurs informations sur la taille du bain liquide et l’influence de la dynamique du bain sur la forme finale du cordon en fonction de l’apport de chaleur ou lors d’une modification de la position de soudage. Une base de données est créée d’une part pour le stockage et l’étiquetage des données et d’autre part pour permettre d’alimenter des algorithmes d’apprentissage automatique dans ses étapes d’entraînement, de validation et de prédiction. Une première approche est développée afin de garantir la conformité du descriptif de mode opératoire de soudage. Une deuxième approche est développée afin d’anticiper l’apparition de défauts et la détection de dérives en cours de fabrication. Enfin, l’ensemble des moyens et méthodes développés seront testés sur une application industrielle pour montrer la possibilité du contrôle en ligne sur des configurations réelles.

EDF's industrial objective is to better control welding operations to improve the quality of the assembly of large components. Currently, all these parts are inspected after manufacture and any identified defect must be repaired. For many years, the in-situ control of welds during the manufacturing process has been a crucial point for industries that have high quality requirements for their welded parts. These constraints impose the development of a control chain to ensure weld quality during the manufacturing process. This control is mainly based on monitoring the process parameters and the weld pool dynamics. In this thesis, several measurement methods are developed according to a well-defined specification to answer the industrial challenges.A contactless sensor system allowing to show the process and data processing from these sensors is developed. This instrumentation contains several sensors for monitoring and analyzing the influence of welding parameters (voltage, current, ...). In parallel, cameras are set up giving access to weld pool geometric data. This allows us to analyze the influence of the weld pool dynamics on the final shape of the bead with respect to variations of the heat input or the welding position. A database is created on the one hand for the storage and labeling of the data and on the other hand to feed machine learning algorithms in its training, validation, and prediction steps. Two different approaches are explored using machine learning. A first approach is developed to guarantee the conformity of the welding procedure description. A second one is used to anticipate the appearance of defects and the detection of deviation during the manufacturing process. Finally, all the developed instrumentation and methods will be tested on an industrial application to showcase online control on a real configuration.