Advanced automation and analysis for GMAW robotized welding processes

L’automatisation du soudage à l’arc avec fil électrode fusible (GMAW) dans les contextes industriels, notamment pour des assemblages complexes comme les bogies de trains, présente des défis majeurs en raison de la nature dynamique et incertaine de l’environnement de soudage. Cette thèse propose un cadre innovant visant à imiter le mécanisme perception-action d’un soudeur humain expérimenté, en intégrant l’intelligence artificielle (IA) et l’analyse de données multi-capteurs.Les travaux antérieurs dans ce domaine restent limités sur plusieurs aspects : ils reposent souvent sur des représentations incomplètes de la scène de soudage et peinent à reproduire fidèlement les gestes du soudeur. Peu d’approches s’intéressent réellement au comportement du soudeur en tant que tel.L’objectif de ce travail est de reproduire les mécanismes décisionnels humains dans un système de soudage robotisé. Un soudeur s’appuie sur une boucle de rétroaction sophistiquée pour s’adapter aux variations de géométrie, aux déformations thermiques et aux instabilités du procédé. Cette thèse transpose cette boucle dans un contexte robotique en définissant une matrice de perception Ω, composée de deux modalités complémentaires : (1) un profilomètre laser 3D pour l’analyse géométrique du joint, et (2) une caméra à vision active pour l’observation en temps réel du bain de fusion.À partir de cette matrice, un vecteur de caractéristiques ψ est extrait. Il regroupe à la fois des paramètres géométriques pré-processus (ex. : jeu, talon, désalignement) et des indicateurs en cours de processus (ex. : forme du bain, déviation de la torche). Ces caractéristiques servent à adapter les paramètres du procédé via une surface de contrôle φ, qui définit un vecteur de commande λ en fonction de ψ.Les contributions principales de cette thèse sont :Système de perception inspiré de l’humain : un cadre de perception imitant le comportement cognitif d’un soudeur, permettant au robot de percevoir les variations de la scène via Ω.Extraction de caractéristiques à partir de Ω : des méthodes sont proposées pour extraire ψ à partir des données visuelles multi-modales, incluant un cadre original de type enseignant-élève basé sur des autoencodeurs variationnels (VAE), où le bain de fusion est modélisé comme un objet déformable viscoélastique.Définition d’une surface de contrôle φ : le vecteur λ est défini comme une fonction de ψ via un système neuro-flou adaptatif (ANFIS), permettant un contrôle proactif et adaptatif du procédé.Évaluation en temps réel et détection d’anomalies : des modèles d’apprentissage profond sont utilisés pour surveiller le procédé et détecter les défauts, réduisant ainsi le besoin d’inspection post-soudage.Cette recherche comble le fossé entre l’expertise humaine et l’exécution robotique, en proposant une solution intelligente et évolutive pour l’automatisation industrielle. Le cadre proposé a été validé par des expérimentations en conditions réelles, évaluant la pertinence des capteurs, la robustesse de l’extraction de ψ, et l’efficacité du système de contrôle ANFIS pour reproduire un comportement décisionnel humain.Les résultats montrent que le système de perception bi-modalité fournit une information riche et complémentaire sur la scène de soudage. Les méthodes proposées pour l’extraction des caractéristiques et la commande se sont révélées efficaces et fiables, confirmant la viabilité de notre approche pour un soudage robotisé intelligent et adaptatif.