Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Le procédé Gas Metal Arc Welding (GMAW) automatisé de l’aluminium est sensible à plusieurs dérives de procédé dont la détection rapide est essentielle pour éviter les pièces non conformes qui peuvent causer des pertes économiques. Ce mémoire présente la conception et l’implémentation d’un système de surveillance s’appuyant sur l’analyse de séries temporelles issues de signaux électriques (courant, tension) et acoustiques, afin de classifier en quasi-temps réel les anomalies qui peuvent survenir pendant la soudure. Un jeu de données contrôlé, constitué en laboratoire, couvre les conditions anormales typiques (7 types d’anomalies) et une classe de référence. Les signaux sont prétraités et exploités à l’aide de deux modèles différents : un Random Forest (RF), algorithme de Machine Learning (ML) classique qui utilise des caractéristiques extraites automatiquement par TSFresh et un Convolutional Neural Network (CNN), basé sur le Deep Learning (DL). La comparaison des modèles et des sources de données met en évidence des complémentarités intéressantes : les RF sont plus efficaces avec des signaux électriques, tandis que les CNN exploitent mieux des signaux acoustiques. Les meilleures performances sont obtenues avec des modèles de RF avec données électriques. L’explicabilité des modèles de RF a été intégrée avec SHAP pour mieux interpréter les prédictions. Une application web démontre l’intégration à la cellule de soudage. À la fin de chaque soudure, les prédictions et leur taux de confiance sont générées et affichés visuellement. Des essais après changements dans l’installation montrent que la généralisation reste limitée, mais qu’un réentraînement rapide est possible pour atteindre une classification binaire. Certaines pistes d’amélioration sont discutées dans le but de réduire les limitations actuelles et d’optimiser les performances du système.