Nassab, Oussama (2026). Contrôle et prédiction de la qualité de surface dans un procédé de brossage robotisé par intelligence artificielle. Mémoire. [Rimouski], Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 97 p.
|
PDF
Document |
Résumé
RÉSUMÉ : La fabrication de composants métalliques à haute valeur ajoutée soulève deux défis complémentaires dans le secteur ferroviaire : l'automatisation du brossage de surface de pièces géométriquement complexes, et l'inspection non-contact rapide de la rugosité obtenue. Le brossage manuel des cadres de portes en acier inoxydable est une tâche contraignante, sujette à variabilité interopérateur, tandis que l'inspection conventionnelle par profilométrie à contact est incompatible avec les cadences industrielles modernes. Ce mémoire propose une approche intégrée répondant à ces deux verrous dans un cadre scientifique cohérent. Le premier volet porte sur le développement d'un système de brossage robotisé modulaire autour d'un robot collaboratif Yaskawa HC10 à six axes, en partenariat avec Alstom. Une architecture de programmation modulaire structure le programme en sous-routines dédiées aux différentes géométries de la pièce (surfaces planes, congés, coins, surfaces verticales), implémentées par méthode point-à-point avec passes latérales à décalage constant de 10 mm. Un gabarit de positionnement dédié réduit de plus de 70 % les écarts de trajectoire du robot causés par les variations de positionnement manuel de la pièce. Les résultats expérimentaux montrent un temps de traitement d'un coin complet de 5 min 30 s et un cadre complet en 25-30 min, soit un gain de productivité de 40-45 % par rapport au brossage manuel. La finition obtenue est conforme aux standards d'acceptation industriels (Ra estimée entre 0,8 et 1,2 µm). Le second volet développe et compare des architectures d'apprentissage profond conditionnel pour prédire la rugosité arithmétique (RA), définie comme la moyenne arithmétique des écarts absolus du profil de surface par rapport à sa ligne moyenne, directement à partir d'images optiques. Un jeu de données de 360 images a été constitué à partir de 90 échantillons d'aluminium 6061-T651 brossés à dix niveaux de grain abrasif (60 à 600 grains). Concernant les valeurs de RA de référence, elles ont été mesurées par profilométrie calibrée (Mitutoyo SV-C3100). Deux stratégies de conditionnement sont comparées : la concaténation tardive (late fusion), qui s'avère incapable de propager l'information du procédé et produit des scores de coefficient de détermination R², mesurant la qualité de l'ajustement entre les valeurs de RA prédites et mesurées, proches de zéro ou négatifs, et le mécanisme FiLM (Feature-wise Linear Modulation), qui réalise une fusion profonde via des modulations affines apprises sur les cartes de caractéristiques intermédiaires. Le modèle FiLM-ResNet50 atteint une racine de l'erreur quadratique moyenne (RMSE) de 0,0691 µm et un R² de 0,9579 sur le jeu de test. Un modèle du type Vision Transformer conditionné par le mécanisme GRIT (Grit-Routed Input Transformer) obtient une RMSE de 0,0603 µm et R² qui s'élève à 0,9680, confirmant l'avantage des transformeurs pour les textures à dépendances spatiales globales. Ces deux contributions démontrent la complémentarité et la faisabilité industrielle d'une chaîne intégrée de traitement et d'inspection de surface : le robot collaboratif assure un brossage reproductible des géométries complexes métalliques, tandis que le système d'inspection par apprentissage profond fournit une évaluation non-contact de la rugosité sans interrompre le flux de production. Ces résultats ouvrent des perspectives concrètes pour des systèmes de fabrication intelligents répondant aux exigences de l'Industrie 4.0. -- Mot(s) clé(s) en français : Brossage robotique, robot collaboratif, finition de surface, acier inoxydable, programmation modulaire, rugosité de surface, apprentissage profond conditionnel, Feature-wise Linear Modulation (FiLM), Vision Transformer, prédiction non-contact, inspection optique, industrie 4.0, fabrication intelligente, aluminium 6061-T651. --
ABSTRACT : The production of high value-added metallic components in the railway sector raises two complementary challenges: the automation of abrasive brushing for complex-geometry parts, and the non-contact inspection of the resulting surface roughness. Manual brushing of stainless-steel door frames is physically demanding and subject to inter-operator variability, while conventional contact profilometry is incompatible with modern production rates. This master thesis proposes an integrated approach addressing both issues through collaborative robotics and conditional deep learning. The first part develops and validates a modular robotic brushing system built around a Yaskawa HC10 six-axis collaborative robot, in partnership with Alstom. A modular programming architecture structures the brushing program into dedicated subroutines for each geometric category (flat surfaces, radii, corners, vertical faces), implemented via a point-by-point method with a constant 10 mm lateral offset. A dedicated positioning jig reduces trajectory errors by more than 70% compared to manual placement. Experimental results show a complete corner brushing time of 5 min 30 s and a full medium-sized frame in 25–30 min, representing a 40–45% productivity gain over manual brushing. The resulting finish meets industrial acceptance standards for stainless steel (Ra estimated at 0.8–1.2 µm). The second part develops and compares conditional deep learning architectures for predicting surface roughness Ra from optical images. A dataset of 360 images was assembled from 90 samples of 6061-T651 aluminum alloy prepared by orbital brushing at ten grit levels (60–600), with Ra ground truth obtained via calibrated contact profilometry (Mitutoyo SV-C3100). Two conditioning strategies are compared. Late-stage concatenation proves structurally incapable of propagating process information, yielding near-zero or negative R² scores. In contrast, Feature-wise Linear Modulation (FiLM) achieves deep fusion by applying learned affine transformations, channelwise scaling γ and shifting β to intermediate convolutional feature maps, conditioned on the grit embedding. This architecture enables the feature extractor to adapt its filters to the current process context, selectively enhancing or suppressing feature channels most informative for a given grit condition. The FiLM-ResNet50 model, selected as the CNN reference following a benchmarking phase on the validation set, achieves a test RMSE of 0.0691 µm and a coefficient of determination R² of 0.9579. Complementarily, a Vision Transformer (ViT) architecture equipped with a GRIT conditioning mechanism (Grit-Routed Input Transformer), integrating the grit embedding into the input token sequence from the first self-attention layer onward is evaluated under the same protocol, achieving a test RMSE of 0.0603 µm and R² of 0.9680, confirming the representational advantage of transformer architectures for surface textures with long-range spatial dependencies. Together, these two contributions demonstrate the complementarity and industrial feasibility of an integrated surface treatment and inspection pipeline: the collaborative robot provides repeatable brushing of complex metallic geometries, while the deep learning system delivers non-contact Ra assessment from optical images without interrupting production. These results open concrete pathways toward intelligent manufacturing systems meeting Industry 4.0 demands. -- Mot(s) clé(s) en anglais : Robotic brushing, collaborative robot, surface finishing, stainless steel, modular programming, surface roughness, conditional deep learning, Feature-wise Linear Modulation (FiLM), Vision Transformer, non-contact prediction, optical inspection, Industry 4.0, intelligent manufacturing, 6061-T651 aluminum alloy.
| Type de document : | Thèse ou mémoire de l'UQAR (Mémoire) |
|---|---|
| Directeur(trice) de mémoire/thèse : | Cherif, Raef |
| 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 : | Métaux - Finition - Appareils et matériel; Acier inoxydable - Finition - Appareils et matériel; Acier inoxydable - Finition - Inspection; Aluminium - Finition - Appareils et matériel; Aluminium - Finition - Inspection; Robots collaboratifs; Apprentissage profond; Aluminium 6061-T651. |
| Départements et unités départementales : | Département de mathématiques, informatique et génie > Génie |
| Date de dépôt : | 19 nov. 2026 19:04 |
| Dernière modification : | 19 nov. 2026 19:04 |
| URI : | https://semaphore.uqar.ca/id/eprint/3762 |

Service de la bibliothèque
Statistiques de téléchargement
Statistiques de téléchargement