Optimisation, prédiction et contrôle intelligents de la qualité du soudage au laser des alliages d'aluminium : une approche inspirée des concepts de l'industrie 4.0

Silva Rivera, Joys S. (2022). Optimisation, prédiction et contrôle intelligents de la qualité du soudage au laser des alliages d'aluminium : une approche inspirée des concepts de l'industrie 4.0. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 180 p.

Prévisualisation

PDF Télécharger (8MB) | Prévisualisation

Résumé

RÉSUMÉ : L'utilisation croissante des alliages d'aluminium dans plusieurs industries a suscité de l'intérêt pour l'étude de différents procédés de transformation tels que le soudage au laser. Ce procédé présente de nombreux avantages, notamment un meilleur rendement énergétique et des vitesses plus élevées. Cependant, le soudage laser peut provoquer différents types de défauts dus à la porosité et aux distorsions thermiques qui doivent être surveillés et contrôlés pour garantir une bonne qualité des soudures. L'effet des distorsions provoque des non-conformités fonctionnelles de nature géométriques et dimensionnelles alors que la porosité entraine des anomalies ayant des conséquences complexes plus sérieuses sur le plan de la sécurité. La porosité est un défaut interne qui peut entraîner une réduction dramatique des performances mécaniques du cordon de soudure et ainsi affecter la qualité du produit fini. Cette recherche vise l'étude et l'analyse du procédé du soudage laser dans le but de proposer une méthodologie de surveillance géométrique pour réduire les distorsions sur les flancs soudés et des modèles d'apprentissage automatique afin de prédire la porosité. Le comportement du procédé de soudage au laser peut être caractérisé par des mesures optiques, thermiques et même acoustiques. Les signaux issus de ces mesures peuvent être utilisées comme base de données pour définir les paramètres de fonctionnement caractéristiques du procédé, les utiliser pour l'optimisation de la qualité et les exploiter pour détecter les défaillances dans le procédé. Cette approche a permis d'identifier les conditions opérationnelles optimales qui réduisent la distorsion à travers la soudure la distorsion le long de la soudure de 57,50 %, 33,47 % pour la distorsion de formation à travers la soudure de 86,52 % pour et la distorsion de formation le long de la soudure 94,32 %. Une amélioration de 127 % du score F1 a été constatée pour la prédiction de la porosité en utilisant un modèle à base de réseaux neuronaux artificiels, et une augmentation de 68 % du paramètre AUC (aire sous la courbe ROC) indique une amélioration des performances du modèle de classification des porosités à l'aide des algorithmes SVM (machine à vecteurs de support). De plus, les résultats ont démontré que le meilleur algorithme d'apprentissage automatique pour faire la prédiction de la porosité pour la configuration utilisée est Random Forest avec 0,83 AUC, 75 % de précision, 0,75 en score F1 pour la classe de non-porosité et 0,76 en score F1 pour la classe avec porosité. Les résultats obtenus montrent que la méthodologie et les modèles proposés pourraient être mis en œuvre dans des applications industrielles variées pour améliorer la qualité pour les plaques soudées au laser et réduire le temps et le coût pour l'analyse de la qualité tout en augmentant la performance opérationnelle du procédé de soudage. -- Mot(s) clé(s) en français : Procédés de fabrication avancés, soudage laser, alliages d'aluminium, surveillance intelligente de la qualité des soudures, fabrication Lean, apprentissage automatique, intelligence artificielle, Industrie 4.0. --
ABSTRACT : The growing implementation of aluminum alloys in different industries has focused the interest in studying different transformation processes such as laser welding. It has many advantages including higher energy efficiency and higher speed rates. But laser welding can get a different kind of defects that might be monitored and controlled to assure the final product quality. The distortion effect is one of the geometrical defects that can be present when using this technique. Porosity is one of the most critical defects in the laser welding process that is an internal defect which is complex to detect. This kind of defects may result in a reduction in mechanical performance and critical failures of the manufactured product, which reduce the product quality and is critical for the final user. This research study and analyse different process and defects monitoring applied to laser welding, propose a geometrical monitoring methodology to reduce the distortion on laser welded blanks and propose a method and workflow to monitor the laser welding process to make porosity prediction with machine learning models. The laser welding method is characterized by optical, thermal, and even acoustic signals. Consequently, the nature of the process can be used to sense and define operation parameters and analyze phenomena to predict and optimize the quality of the final product. As results, the optimal operational conditions that reduce distortion are proposed, with a reduction of 57.50% for distortion across welding, 33.47% for distortion along welding, 86.52% for forming distortion across welding, and 94.32% for forming distortion along welding. For porosity prediction an improvement of 127% in the F1 score for the Artificial Neural Networks algorithm was reported, and an increase of 68% in the AUC parameter that indicates an improvement in the performance of the model to classify porosities for SVM algorithms was achieved. Additionally, it was found that the best Machine Learning Algorithm to make the porosity prediction for the setup is Random Forest with 0.83 AUC, 75% accuracy, 0.75 in F1 score for No Porosity Class, and 0.76 in F1 Score for Porosity Class. The positive results of the proposed model and methodology indicate that it could be implemented in industrial applications for enhancing the final product quality for welded plates and reducing process waste and time for product quality analysis, increasing the operational performance of the process. -- Mot(s) clé(s) en anglais : Advanced manufacturing process, laser welding, aluminum, intelligent welding quality monitoring, Lean manufacturing, machine learning, artificial intelligence, Industry 4.0.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Barka, Noureddine
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	El Ouafi, Abderrazak
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de maître ès sciences appliquées (M. Sc. A.).
Mots-clés :	Aluminium; Soudage laser; Fabrication; Qualité; Controle; Intelligence artificielle; Production allégée.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Déposé par :	DIUQAR UQAR
Date de dépôt :	06 mars 2023 18:35
Dernière modification :	06 mars 2023 18:35
URI :	https://semaphore.uqar.ca/id/eprint/2121

Actions (administrateurs uniquement)

Éditer la notice